那是一个普通的工作日下午，大促备战进入最后阶段。 我坐在工位上，盯着监控大盘做例行巡检。那时候我入职才三周，说实话，很多指标看了也不知道好坏，只知道"别出红"。 然后我看到了一个有点奇怪的地方。 不是报警，颜色也是正常的绿色，但某个依赖服务的响应趋势和其他几条线走势不太一样——别人都是平的，它在缓慢地往上爬。 我截了个图，发到自己的备忘录里，想了一会儿，没吭声。 毕竟我才来没多久。说不定是正常波动，说不定我理解错了，说不定问题根本不在这里。 又过了半小时，那条线还在涨。 我鼓起勇气，在工作群里 at 了导师：「这个服务的响应时间是不是在慢慢上涨？还是我看错了？」 导师回了两...

正式进入AI Coding时代了  

绷不住了

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...