·tian
微调通常是错误的选择：大语言模型定制决策框架
大多数团队过早地尝试微调。这里有一个基于基准测试和生产案例的实用决策框架，探讨了提示工程何时优于微调，何时不优于微调，以及每种方法的真实经济成本。
fine-tuning
prompt-engineering
llm
ai-engineering
·tian
微调 vs. 提示工程：生产级 LLM 的决策框架
一个实用的框架，帮助你决定何时对你的 LLM 进行微调或提示工程——涵盖成本权衡、LoRA/QLoRA、模型蒸馏，以及每个 AI 团队在投入训练前都应回答的六个诊断问题。
fine-tuning
prompt-engineering
llm
mlops
+1·tian
LLM 应用的数据飞轮：在生产与改进之间闭环
生产数据飞轮将用户交互转化为模型改进——但不到 1% 的交互产生明确信号，而天真地仅用这 1% 的数据进行训练会悄悄毒害你的系统。本文将介绍决定你的飞轮是会复合增长还是彻底崩溃的架构、反馈信号和失效模式。
llm
ai-engineering
fine-tuning
feedback
+1·tian
构建能在生产环境中真正运行的 LLM 系统的七种模式
深入探讨七种工程模式——评估、RAG、微调、缓存、护栏、UX 设计和反馈循环——这些模式能将可用的 LLM 原型与可靠的生产系统区分开来。
llm
rag
fine-tuning
production
+1显示第 49–52 篇，共 52 篇
上一页5 / 5