秋招offer比较 矮子里挑高的

耗时30min最速解决拷打🐭的bg跟开发离得有点远了，cv上也全是玩具项目，纯纯是被好心HR捞到这个岗的(Lynx开发)假设有A->B->C三个继承对象，在析构时顺序是怎样的 (不会，瞎答)假设有进程A和进程B，如果同时使用一个数据对象，此时引用计数在进程B中归零，但是仍然希望这个对象只能在A中销毁怎么办(依旧不会，pass)平时用过智能指针吗，是怎么使用的用过Electron吗，介绍一下Electron，为什么直接用Electron而不直接用Webview(依旧瞎答)有尝试过多线程开发吗，该如何实现多线程熟悉React吗，React的原理知道吗()假设我有一个React组件，这...

28届985本，科班，一直走的是本科就业的路子，学习Go后端，曾经还因为周围人卷保研而自己早已踏上了“正确的道路”而沾沾自喜。现在大二下，工程和算法能力还可以，但保研基本无望，也不想考研。愈发觉得自己所谓“正确的道路”可能并不是多么明智，AI以惊人的速度进化，一年之后或者两年之后，后端还存在吗？大部分的工作是否都和AI算法之类的强相关呢，但这又是一个需要研究生以上学历、需要卷论文的方向，本科就业者基本碰不到。自己的本科学历会不会在后端工作一两年就被“降本增效”了，或者是到了大三大四根本找不到对口的工作了？抱歉，可能我有点想到哪说到哪了，我不知道自己是不是在杞人忧天，现在有点迷茫，希望各位已经进入业界的大佬能够给我指条明路，谢谢！

在boss上投简历，沟通和投出去的比例是12:1，是我简历不够好吗，还有什么能优化的地方

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...