微调

算力预算收紧时，很多团队会先问同一件事：要不要继续砸钱调用通用大模型，还是把任务收窄，在本地把小语言模型（SLM）微调到金融、制造、教育这类垂直场景里。答案很少是非黑即白，关键在于把一次性训练开销、日...

智能体从试点走向规模化，企业真正卡壳的地方往往不是模型能力，而是数据能不能出域、授权是否闭环、跨端调用有没有留痕。商业化节奏在加快，合规官与技术负责人更需要在上线前把通用检查点摊开，而不是等事故发生后...

在企业将大语言模型投入生产环境前，幻觉（模型生成不实信息）和偏见（输出倾向不公平或歧视）往往是最容易被忽视，却会直接影响产品安全与品牌声誉的风险点。通过系统化的安全审计，可以在模型上线前发现并修复这些...

随着Meta开源Muse Glimmer模型的发布，开源AI开发者迎来将大型模型部署到本地的全新机遇。Muse Glimmer作为30B参数的开源模型，采用Apache 2.0协议，专为本地常驻Age...

把本地模型调成“懂行的助手”，关键不在于把参数改得越多越好，而在于把有限显存留给最能产生效果的部分。以 Muse Glimmer 这类约 300 亿参数的本地模型为例，24G 显存足以承担一定范围内的...

国内谈 AI 国产化，很多人第一反应是模型参数和算法框架，真正卡住节奏的，往往是更底层的算力硬件能不能稳得住、扩得开、用得起。近期安徽在 12 英寸晶圆制造与存储芯片领域的推进，把讨论重新拉回“底座...

Claude 为生成文本加入不可见标记后，企业面对的就不再只是“能不能使用 AI”的问题，而是要回答：这段内容从哪里来、经过谁审核、对外发布时是否需要说明，以及人工改写之后还能否追溯。 Claude ...

很多企业把 AI 内容治理理解成发布前的“敏感词过滤”，但真正的风险往往更早出现：训练数据带着偏差，知识库混入错误信息，模型为了补全答案而虚构事实，审核人员又因为流程不清而放行。对内容平台而言，治理目...