你想想看，大模型吃的是显存不是显存不是算力，7B 的模型哪怕量化到 4bit，也得要 8G 以上显存才够转起来；要是想跑 13B 的，12G 显存都得捏把汗。说白了，新手就盯准 “量化版小参数模型”，比如 Llama 3 7B 4bit 量化版，或者通义千问的 Qwen-7B-Chat，这些模型在 ModelScope 上就能下，而且带现成的对话接口。一会儿显存不够，一会儿环境报错，最后对着黑屏的

至于缺失值，别直接用 0 填充，也别随便删数据，要是缺失率低于 5%，用均值或中位数填充就行，要是缺失率高，比如超过 20%，就得先分析缺失原因，比如是不是 “没填写” 和 “没有该特征” 是两回事，再决定是填充还是删掉这个特征。举个例子，你要预测用户的月度话费，要是把 “用户的星座”“喜欢的颜色” 这种跟话费八竿子打不着的特征加进去，模型不仅会浪费算力，还可能出现 “伪相关”—— 比如刚好某个星

小索奇之前调模型，就坚持每天抽 30 条结果看，有次发现模型虽然指标好看，但总爱说 “可能、大概” 这种模棱两可的话，后来加了 “增强确定性” 的指令微调，才解决问题 —— 毕竟模型是给人用的，机器算的数再好看，不如实际用着顺手，对吧？比如你调一个文案生成模型，损失值从 5 降到 1，看着挺厉害，结果生成的文案干巴巴的，全是 “本品质量好、价格低” 这种套话，用户根本没兴趣看 —— 这就像考试分数

传统项目是 “接收指令→返回数据”，AI Agent 项目是 “接收目标→自主拆解→调用工具→完成闭环→记忆优化”。—— 核心差异不在 “前后端是否分离”（AI Agent 项目也可以做前后端分离），而在。

数据标注通常需要领域专业知识和人工智能工具的支持。文本数据标注：在自然语言处理任务中，数据标注可以包括对文本中词汇的分词、词性标注、命名实体识别、情感分析、语法分析等。图像数据标注：在计算机视觉任务中，数据标注可以包括图像中物体的边界框标注、图像分类标签、语义分割标签、关键点标注等。地理信息标注：在地理信息系统（GIS）中，数据标注可以包括地图上地点的坐标标记、地图中道路或河流的标注等。医学图像标

点击Add as Maven Project 即可，等待加载完毕就行啦，会变成蓝色M标志，表示成功。其实很简单，右键点击pom.xml。

上次有个朋友调完模型，直接拿 LoRA 权重和原模型分开用，结果用了一周发现模型回答越来越离谱，问 “怎么煮面条”，它居然说 “要先把面条放进烤箱”—— 后来才知道，他没做模型合并，LoRA 的小矩阵和原模型是分开的，时间长了参数容易 “漂移”。比如有次我把秩设成 256，结果模型生成内容的时候，翻来覆去就那几句套话，问它 “怎么修打印机”，它能把 “检查电源” 重复三遍 —— 你想想看，要是给一

建议你连个稳定的 WiFi，别中途断了 —— 你想想看，要是下到 90% 断了，又得重新来，多闹心？我选的是 Ollama，这玩意儿最良心的地方就是 “一键安装”，不管你是 Windows 还是 Mac，官网点一下下载，双击安装包，等个几十秒就完事儿，连环境变量都不用手动配 —— 是不是比你想象中简单多了？很多时候我们觉得难，都是被 “专业术语” 吓住了，真上手才发现，现在的工具早就把复杂的部分帮

可要是缺失的是 “用户性别” 这种分类型数据，填平均值根本没用，要么用众数（比如大多数是女性就填女性），要么干脆新增一个 “未知” 类别，这样才不会误导模型。比如你用线性回归、SVM 或者 KNN 的时候，要是特征里既有 “用户年龄”（范围 18-80），又有 “月消费金额”（范围 0-10000），这两个特征的数值范围差了上百倍，模型会不自觉地更看重 “月消费金额”，忽略 “年龄” 的影响。比如

你想想看，以前跑大模型得要专业显卡，现在只要你电脑内存够 16G（最好是 DDR4 以上），哪怕没有独立显卡，用 CPU + 内存也能跑起来，就是响应速度会比带显卡的慢一点，但日常问个问题、写段文案、帮着改改代码，完全够用。小索奇最近在用 LangFlow，也是免费工具，装完后直接在浏览器打开，拖个 “Ollama” 的节点，选上刚才部署的 llama3:8b，点运行就能用可视化界面聊天了 ——