不是百度有病吧

一、行业/公司新闻    标题 日期 简介     Anthropic Claude Mythos 泄露持续发酵 03-28 近3000份内部文档被发现在无加密数据库中，揭示代号"Capybara"的新模型在编码、推理和网络安全上"阶跃式超越"Opus。网安股CrowdStrike跌7%、Palo Alto跌6%   Waymo 周付费单量突破50万 03-28 不到一年翻倍，已达年底100万目标的50%。Zoox同期扩至Austin和Miami   Uber 宣布欧洲首个Robotaxi服务 03-28 与Pony AI和Verne合作在克罗地亚萨格勒...

😢 飞书电话会议。我真的搞不懂，那些问题我基本上都回答出来了，咋回事呢。

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...