经验就一条：Prompt 一定要拆开，任务一定要变简单。在面对小模型时，它们能力有限，如果把一堆要求（比如整篇文章+要求）塞进一个 Prompt，可能回答的就牛头不对马嘴了——不是主语识别不全，就是逻辑硬伤，或者答案缺斤少两。要把 Prompt 变成“工作流”，每一步只处理一个问题。比如“根据文章提问”，我通常拆成三步：第一步：只让模型识别文章的主语。第二步：根据主语去编问题。第三步：再针对问题生成答案。每步只干一件事，模型想出错都难。再比如做长文本的“分块（Chunk）”处理：不要让模型重写全文，除非你的token值够用，而且还会增加它的思考难度。你可以把原文段落编上号，让模型只输出：“标题...

面了5个实习生了，技术好的base不是特别考虑，base满足的技术又不太行，真难呀，各位优秀的学弟学妹们毛遂自荐呀【岗位职责】1. 算法优化与落地：重点参与图像编辑（Image Editing）领域的算法研究，特别是针对图像消除（Object Removal/Inpainting）任务的效果优化。2. 核心技术攻关：模型蒸馏：参与大规模生成模型的蒸馏工作，在保证生成质量的前提下，优化模型推理速度与显存占用。RLHF 对齐：探索并应用 RLHF（Reinforcement Learning from Human Feedback）技术，利用人类反馈数据优化生成模型的逻辑一致性与视觉美感。1. 实验与数据管理：负责相关算法实验的配置、运行与结果分析；协助进行高质量训练数据的清洗、整理与构建，建立更高效的数据 pipeline。2. 前沿探索：阅读最新顶会论文，复现并改进 SOTA 算法，探索提升消除任务鲁棒性的新方法。base：深圳薪资：200-400公司：传音邮箱：xin.wang4@transsion.com