1. FLUX 的结构、它属于什么生成模型、优势是什么FLUX 本质上还是一类文本到图像生成模型，但它和早期单纯依赖 U-Net 的扩散路线相比，更强调基于 Transformer 的统一建模能力。它通常会把图像 latent、文本条件以及时间步信息一起送进 Transformer 模块，让模型在更统一的 token 空间里做跨模态交互。这样做的一个直接好处是模型容量更容易扩展，文本理解和图像细节控制也更强。从生成机制看，它依然属于连续生成模型，只不过在网络结构和训练目标上比传统 diffusion pipeline 更现代。它的优势主要有三个：第一，文本条件理解更强，复杂 prompt 下的...

真投了你又不给ps:楼主其实比起去大厂当螺丝钉 更想去一些初创公司或外企。楼主是一年不到的社招。

手撕两数之和（不是力扣 是输入两个数字返回数字的和）

1. 模型训练里你怎么在全参微调和 LoRA 之间做选择这个问题我一般不会只从显存够不够来答，而是会结合任务复杂度、分布偏移程度和上线方式来讲。全参微调的优点是表达空间更大，适合任务分布和原模型差异比较大的场景，比如领域知识很重、输出风格和推理路径都要明显改造的时候，它更容易学到深层适配；LoRA 这类 PEFT 方法更适合成本敏感、实验迭代快、模型版本频繁切换的场景，特别是多任务并行或者多租户配置时，管理上会轻很多。如果任务本质上是在原模型能力基础上做轻量偏移，比如格式约束、领域术语补强、特定工具调用习惯，LoRA 往往就够了。反过来，如果发现训练后模型虽然会答，但深层行为模式改不动，比如推...