Kida的躺平小屋

“从零开始”系列更新遇到瓶颈了（数据处理虽然已做了自动化脚本，但需要大量时间整理），趁此机会转换一下心情，补完一下之前企业以太坊（Hyperledger Besu）系列中遗漏的一些内容。 在放下 Be

书接上回，上回我们已经做完了数据质量评分与同质化数据删除工作，为了方便后续的训练我们还是先将数据全部做成离线版本的 JSON 数据集（因为考虑到训练环境无法连接现有数据库的情况）。代码如下： 通过以上

书接上回，上一章我们完成了“非问答”类数据的数据增强后库内增加了 200w 数据。接下来，应该继续做“数据蒸馏”从商用大模型那里提取垂直领域的数据，但这样无疑违背了“零成本”的初衷了。 那么本地部署个

书接上回，上一章我们简单地过了一遍如何获取训练数据并通过代码将数据保存到 Elasticsearch 中了，但是保存下来后发现数据量还是不够（总数据量 22w+），这个时候可以选择采用数据增强技术来补

各位新老朋友，好久不见了。 距最后一次更新已有差不多一年的时间了。这期间发生了很多事儿，一度让我走进了人生低谷。现在，一切都已经过去，热爱分享、与君共勉仍是我的初心。一切都“从零开始”吧，这样也不错。

本文将从部署开始，详细讲一下如何使用 llamafactory 对开源模型进行指令微调了，并且在微调过程中我是如何一次一次地进行参数调整的，我也跟各位分享一下。

本文讲述本人使用 RAGChecker 对 RAG 应用调优的过程，里面还会包含一些关于 RAGChecker 的使用意见，希望对各位有用～

本文将介绍在 Python 中如何对 CUDA 显存进行监控并在到达阈值时进行显存的清理，希望这个对大家也有用吧。

“直线谁不会踩油门，弯道快才是真的快”这句话的含金量还在上升。在上次调优后我又做了其他的尝试，本节将结合本人的最终优化结果给各位分享