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...

英伟达上海张江实习，好急，不会被鸽吧，鸽了怎么办啊，急急急

原本想以为实习经历就更好找正式了，但是恰恰相反，在boss上面，石沉大海，要么是实习转正，要么必须线下面试，我真没招了，准备跳楼了

这次出的题明显比一面小得多，而面试官给的反馈、正向肯定明显比一面少得多，因此心态也要跟着变化。加粗是没提前准备好的：二面一般是领导面，所以开局反问职位（团队需求方，用人经理）自我介绍，说一面说过的优势介绍实习公司业务、个人工作介绍实习技术栈（Monorepo+React+MobX）MobX 如何在 React 工作流里工作（忘了 Observable 这个东西了，说的 Effect 可以监听 MobX 状态）MobX 如何融入本人工作流（说了从呼出图片编辑器到用户修改再到同步 CRDT 状态的链路、本人遇到的文本框组件不更新的问题，说得没太方便面试官理解，就多追问了一些关于流程的具体问题）Re...