• 9 分钟阅读
我给 AI 补了课,它考了 96%,然后呢?
在一张家用显卡上给 AI 补课,我遇到了一个反直觉的结果:一项能力从约 64% 提高到 96%,另一套题却原地踏步。用三张图,讲清模型训练、过拟合和能力迁移。
共找到 6 篇相关文章
在一张家用显卡上给 AI 补课,我遇到了一个反直觉的结果:一项能力从约 64% 提高到 96%,另一套题却原地踏步。用三张图,讲清模型训练、过拟合和能力迁移。
受 Jev/System 1 启发,在一张 RTX 3090 上,以 Qwen3.5 Base 为骨干,结合 LoRA 和决策头后训练 decision model。分享模型架构、标签问题、评估结果与模型下载。
补充 b11429 probabilistic MTP 实测:对照筛查解码快 24–30%,八次编码合并 68.4 token/s,严格交付通过 7/8。
同一批八道开发题,先将单次输出上限从 8K 提高到 32K,再比较 medium 与 xhigh。更多修复完成了,等待也更长;独立留出集确认仍未运行。
同一份 Qwen3.8-27B Q4_K_M、同一张 RTX 3090,控制变量比较 MTP 开关:生成吞吐量提升约 56%,成功任务省时 20%–40%,但编码质量能否保持?分享 OpenCode 配对实验与失败案例。
在 RTX 3090 24GB 上部署 Qwen3.8-27B Q4_K_M,通过 llama.cpp 接入 OpenCode。分享 128K 上下文验证、20.9–36.4 token/s 吞吐量,以及四个代码任务的成功、超时和审查发现。
允许访问统计吗?
同意后,我们会使用 Google Analytics 和 Cookie 了解访问来源、页面阅读情况及下载链接点击。拒绝不会影响阅读。 隐私说明