aibi1

摘要： 目录背景SFT 监督训练 -一般微调步骤一 ：准备样本数据微调大模型效果测试如何提升精度RL 强化学习 -PPU ：近似优化参考资料 背景 为什么要微调：领域内大模型训练。大模型预训练的知识不够，幻觉 为什么不能直接用RAG，因为用户问题可能就问错了。 影响大模型微调的效果：样本的量（覆盖的场景全面 阅读全文

摘要： 目录背景1. 订单聚类与顺路度计算2. 实时路径规划3. 骑手画像与压力平衡4. 经济模型与激励机制5. 系统架构与工程实现GeoHash 或 ​DBSCAN 的订单聚类 工程架构1. GeoHash：仅需离散点坐标，无需完整地图GeoHash ES支持2. DBSCAN：依赖点数据密度，无需地图拓 阅读全文

摘要： 目录背景和价值 背景和价值 bert 训练1万起，但是样本只有1000+ 使用bert+ P-tuning小样本算法， 进行多标签分类 P-tuning 是一种针对预训练语言模型（如BERT、GPT）的参数高效微调方法，专门用于小样本学习（Few-shot Learning）​场景。它通过引入可学习 阅读全文

摘要： 目录1 定时任务执行过程可追溯设计2. 大数据量需分片处理（分布式调度）断点续跑3. 定时任务的依赖处理，避免上一个没有跑完，下一个却跑了。4 支持手动重跑（支持最小粒度的重试）5 防止重叠设计定时任务重叠的分布式锁通过态机设计 防止定时任务重叠6 自动补偿机制（失败重试几次，7 异常告警参考资料 阅读全文

摘要： 目录背景和价值1. Port 接口的输入/输出是否用 DTO？情况 1：输入端口（驱动端口）情况 2：输出端口（被驱动端口）2. DTO 应该放在哪个模块？3. 为什么推荐 Port 层使用 DTO？4. 反例：不用 DTO 的问题5. 完整示例port 模块adapter 模块6. 总结参考资料 阅读全文

摘要： [TOC] 差评打标 bert 1万起，但是样本只有1000+ 使用 P-tuning小样本算法， 进行多标签分类 bert基座+P-tuning 使用模型预训练、损失函数优化、阈值搜索等技术手段提升模型效果 多标签使用 正负样本，损失函数 -- shoujianming 多标签 现在做法： 使用大 阅读全文

摘要： 目录背景流程：参考资料 背景 12306抢票，用户下单，成功后系统通知抢票成功，失败提示抢票失败。 流程： 1 扣本地缓存 2 异步更新数据库 & 更新redis * 如果更新redis失败，回滚数据库，通知客户抢票失败 * Redis更新成功后通知用户 ，失败也通知客户。 参考资料 阅读全文

摘要： 目录背景六边形架构介绍与传统分层架构的对比优势分层ModelPortApplicationAdapter代码实现输入端口收入端口实现类--应用服务输入适配器输出端口输出适配器项目结构代码示例常见问题和解决找不到Port的实现类参考资料 背景 什么情况下适合用六边形架构？ 外部系统的集成方式多变的软件 阅读全文

摘要： 目录背景和价值比如，我是卖ERP的，关注行业分类，客户规模。 相同行业，想通规模，需要的ERP产品是一样。 1000人的餐饮，跟5人餐饮公司，需要的ERP产品不要。如果都是餐饮行业，相同规模的餐饮公司，需要的产品是类似的。参考资料 背景和价值 产品推荐。 A用户画像和B用户画像相近，A买了什么场景， 阅读全文

摘要： 目录背景为什么需要点击归因？常见的点击归因模型点击归因的挑战为什么点击归因重要？点击归因 vs. 曝光归因参考资料 背景 用户可能点击了多个广告后购买，广告主需要知道哪个渠道最有效。 点击归因（Click Attribution） 是数字营销和广告分析中的一个核心概念，指在用户完成转化（如购买、注册 阅读全文