·tian
孤儿微调：基础模型废弃后如何恢复领域专业知识
当基础模型被废弃时，微调后的领域专业知识不会自动迁移。三条恢复路径——行为蒸馏、重新标注和提示编码——以及提前规划的重要性。
fine-tuning
llm
model-deprecation
knowledge-distillation
+1·tian
双钟问题：当模型供应商的迭代节奏打乱你的路线图
AI 供应商每季度都会发布能力跃迁，而产品路线图的规划周期通常为 6 到 12 个月。这种不匹配会让路线图变成过时的“陈列品” —— 本文介绍了一种能够紧跟节奏的规划结构。
ai-product-management
roadmap
model-deprecation
product-strategy
+1·tian
12 个月的 AI 功能悬崖：为什么你的生产模型在无人标记的日历上悄然衰减
AI 功能发布时通过率为 92%，但在没有进行任何更改的情况下，12 个月后却下滑至 78%。五个复合时钟——模型弃用、权重轮换、输入漂移、提示词补丁债务、评判模型校准——产生了一个大多数团队只有在模型弃用截止日期前才会发现的悬崖。这是你必须在产品发布前就列入日历的维护节奏。
ai-engineering
llm-ops
model-deprecation
evals
+1·tian
孤儿适配器难题：当你的微调模型寿命超过其基础模型时
绑定在已弃用基础模型上的微调适配器会变成生产环境中的“僵尸”——既承担核心负载又无法复现。一个持久的适配器生命周期需要与基础模型同步的重训频率、行为指纹测试，以及能够在团队更迭中存续的机构记忆。
insider
fine-tuning
lora
mlops
+2