Grok Bot 如何改变了我的工作方式
作者分享了使用 Grok Bot 后工作方式的转变：他从主要在电脑前使用 Claude Code、Codex 等 AI 编程助手，转变为通过手机协调实际工程工作。他搭建了 29 个分工明确的机器人，由管家 Emma 协调研究机器人和编码机器人完成模型实验、微调、内容创作等任务。通过跨设备协作，他无需固定在工位即可推进研究和编码工作。他认为最大的变化不是效率提升，而是思维方式的转变——从考虑打开哪个应用，到思考要完成什么目标以及哪个机器人可以帮忙。
全部文档 / 标签: 模型微调
9 篇
爆肝30天！魔搭紫皮书开源：系统学习AI的免费指南
袋鼠帝及其AgentWork开源社区耗时30天推出免费开源的《魔搭紫皮书》，一本约40万字、8篇34章的系统学习AI指南。与侧重AI Agent应用的workbuddy蓝皮书和豆包工作蓝皮书不同，紫皮书面向想从零深入AI领域的读者，涵盖开源模型下载、微调（ms-swift）、评测（EvalScope）、应用场景（AI健身教练、智能客服质检、语音助手等）及Agent篇（Claude Code、DeepSeek Harness等）。作者分享了自己7年前报培训班学习编程的经历，强调开源时代AI学习资源免费可得，唯一门槛是执行力。
万字长文！读懂模型微调的基本概念和名词
本文系统梳理了模型微调的核心概念与术语。作者首先解释了微调的意义：在预训练模型基础上，用任务相关数据继续训练，使模型更适应特定表达、任务或指令，减少幻觉。随后从五个层面展开：模型训练阶段（预训练、基础模型、后训练、微调）；训练原理（SFT、指令微调、下一个token预测）；训练框架与工具（PyTorch、容器、训练方案）；LoRA相关技术（PEFT、QLoRA、rank、alpha、target modules）；数据与训练参数（语料、数据集、batch size、学习率、过拟合、eval loss等）。文章以DGX Spark本地微调Gemma为例，帮助读者理解微调全流程。
用小模型替代大模型最难的一步，我用 Apodex 解决了
作者尝试用 Apodex 1.1 自动生成训练数据，解决用小模型替代大模型时缺乏标注数据的难题。实验场景是让小模型学会根据自然语言描述从 HuggingFace 九百多个候选模型中挑选正确的模型。Apodex 拆解任务、派出 14 个子 Agent 分工协作并上网核实，最终生成 4218 条经核实的训练数据，还主动推翻了作者一条错误规则。用这批数据训练 Qwen3.5-0.8B 后，挑对模型的比例从 0.4% 提升到 10.7%，瞎编模型名的比例大幅下降，效果优于当年 Berkeley 用 GPT-4 生成的数据。作者总结：AI 能替人造数据的关键，在于能否自动判对错。
AI 学的越勤快，反而错的越牢？
本文探讨了AI Agent的“自进化”能力，指出若训练数据包含过期或错误的历史信息，模型会越学越错。作者以Alloomi公司的两份技术报告为例，介绍了Holistic Context如何通过实体归因、时间线和关系学习清理混乱的工作历史，以及Self-Evolving Agent如何通过质量过滤、LoRA微调、跨任务回放和稀疏权重单元（Engram X）将整理后的经验安全地融入模型。实验显示，在CL-Bench上，完整SEA机制比无记忆基线提升26.1个百分点。文章强调，AI公司的下一道分水岭在于能否构建受控的经验积累与更新链路，而非单纯扩大上下文窗口。
上海交大团队出品的大模型实战开源课程
上海交大团队推出的大模型实战开源课程，在GitHub获4.6w+ star。课程从零开始设计，包含API调用、模型微调、多模态开发等模块，配套在线实验环境，适合系统学习大模型知识。
69个最佳开源AI仓库推荐（2026年4月）
文章精选了69个经过实战验证、维护活跃的开源AI仓库，旨在替代昂贵的API订阅。内容涵盖完整的AI技术栈，包括本地大模型推理、RAG知识库构建、AI智能体框架、提示词与评估、模型微调、工具链及部署等十大领域，为开发者、研究人员和独立黑客提供免费的生产级AI工具清单。
全链路本地化 AI 应用实践：从端侧微调到 Ambrosia
作者构建了名为 Ambrosia 的离线 AI 护肤日记应用，全过程在本地设备完成。文章探讨了端侧模型在硬件适应性、成本及隐私方面的优势，详细记录了基于 Qwen3-VL-2B 模型在本地 MacBook 上进行 LoRA 微调并在 iPhone 上部署的实践，强调了针对特定任务约束小模型比通用助手更高效，展望了边缘智能与算力结合的未来。
AI 智能体的持续学习：模型、控制层与上下文
文章探讨了 AI 智能体的持续学习机制，将其分为三个层次：模型权重的更新、Harness 控制层的优化以及 Context 上下文层的记忆与配置。作者指出，虽然大多数讨论集中在模型层的微调（如 SFT）及其带来的灾难性遗忘问题上，但工程实践中 Harness 代码和 Context 技能（如 SOUL.md）的迭代往往更为灵活高效。文章最后以 LangSmith 和 Deep Agents 为例，强调了 Trace（追踪日志）在驱动所有层级进化中的核心作用。
