获客：xingkeit.top/15954/

• 核心职责： 数据培育（清洗/标注）→ 模型调教（参数/策略）→ 业务赋能（解决实际问题）。
• 关键指标： 关注 准确率、召回率、F1值，而非单纯的 Loss 下降。

• 编程语言： Python（重点掌握 Pandas 数据处理、NumPy 矩阵运算）。
• 标注工具： Label Studio（开源全能）、LabelImg（图像）、Prodigy（文本）。
• 开发框架： PyTorch（首选，社区活跃）或 TensorFlow。
• 实验管理： MLflow 或 TensorBoard，记录每次训练的参数和指标。

• NLP任务： 文本分类/抽取用 BERT/RoBERTa，生成任务用 Qwen/Llama（开源轻量级）。
• CV任务： 分类用 ResNet/ViT，检测用 YOLO。
• 微调技术： 必学 LoRA，仅更新 0.1% 参数，显存需求从 80GB 降至 8GB。

• 学习率： 使用 Warmup + Cosine Decay，初始值 1e-4 ~ 5e-5。
• Batch Size： 在显存允许范围内尽量大，配合 梯度累积。
• 过拟合？ → 加 Dropout、L2正则、数据增强、Early Stopping。
• 欠拟合？ → 增加模型容量、减少正则、检查数据质量。

1. 效果评估：
   • 离线： 构建黄金测试集（Golden Set），人工复核 Bad Case。
   • 在线： 设计 A/B Test，关注业务指标（转化率、人工客服介入率、耗时）而非仅看模型指标。
2. 部署落地：
   • 格式转换： PyTorch → ONNX（通用）或 TensorRT（NVIDIA加速）。
   • 推理优化： 开启 KV Cache、INT8 量化（速度提升 2-3倍，精度损失 <1%）。
   • 服务化： 使用 vLLM 或 Triton Inference Server 封装 API。
3. 持续迭代：
   • 建立 Bad Case 回流机制：线上错误样本 → 清洗标注 → 加入训练集 → 重新微调。