中文语料优先选BGE（BAAI出品，MTEB中文榜持续领先，支持指令前缀区分检索/编码任务）；M3E在早期表现不错但维护已停滞。若需多语言或跨语言检索，考虑BGE-M3，覆盖100+语言且支持多粒度检索。
全参数微调 7B 模型，若采用 AdamW 与 BF16 混合精度，约 7B×16 字节，即权重、梯度、FP32 主权重及两个动量状态合计约 112GB，再加激活值，需多卡并配合 ZeRO-3 或 FSDP 分片，单卡 80GB 的 A100 放不下，常见方案是 4-8 张 A100/H100。
中文语料优先选BGE（BAAI出品，MTEB中文榜持续领先，支持指令前缀区分检索/编码任务）；M3E在早期表现不错但维护已停滞。若需多语言或跨语言检索，考虑BGE-M3，覆盖100+语言且支持多粒度检索。
📍 温哥华 · 多伦多 · 上海
98.6% 数据完整度
20+ 位数据分析师
5年 历史数据清洗
2.8与2.0同屏对照，洞察差异。
引入jnd指标过滤噪音。
原始数据开放下载，可复核。
08:00/20:00自动校准模型。
每日预测点
数据完整率
历史指标
国家数据源
确定关注区间与模型偏好
实时拉取canada最新数据
2.8/2.0双模并行
可视化对比+解读
Alpaca沿用Self-Instruct流程：以175条人工种子任务为起点，调用text-davinci-003批量生成指令与回答，去重过滤后得到约5.2万条数据，用于微调LLaMA-7B。
AI生成内容的版权归属需综合考量人类创作性投入程度：若仅为工具辅助则归人类，若AI自主生成则可能构成公共领域或归属AI训练者，但各国法律尚未统一，实践中多依个案判定创作贡献度并参照现有著作权法框架处理。
RAG先把文档切块并向量化存入向量库，查询时检索语义最相近的片段拼入提示词，再由大模型依据证据生成答案，从而缓解幻觉、弥补知识时效不足，且无需重新训练模型。
需用对话状态跟踪维护槽位与指代信息，借摘要压缩和检索筛选关键历史，以系统提示固定角色设定；解码后加入事实一致性校验与NLI矛盾检测，必要时重写回复。
主要在效率与长程能力：稀疏/线性注意力与FlashAttention缓解二次复杂度，GQA、MLA压缩KV缓存，改进RoPE外推长度泛化，并探索与SSM（如Mamba）的混合架构。
AI能生成新颖且有价值的作品，在“组合式”与“探索式”创造上已具实效；但其缺乏主体意图、生活体验与自主价值判断，所谓“真正的创意”仍取决于定义，目前更宜视为人类引导下的协同创作工具。