<?xml version="1.0" encoding="utf-8" standalone="yes"?><rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom"><channel><title>模型训练 :: 标签 :: x7peeps</title><link>https://blog.x7peeps.com/tags/%E6%A8%A1%E5%9E%8B%E8%AE%AD%E7%BB%83/index.html</link><description/><generator>Hugo</generator><language>zh-CN</language><lastBuildDate>Fri, 30 Oct 2026 14:47:30 +0800</lastBuildDate><atom:link href="https://blog.x7peeps.com/tags/%E6%A8%A1%E5%9E%8B%E8%AE%AD%E7%BB%83/index.xml" rel="self" type="application/rss+xml"/><item><title>如何训练一个原生 Computer Use 模型</title><link>https://blog.x7peeps.com/AI/10-%E6%A8%A1%E5%9E%8B%E8%AE%AD%E7%BB%83/%E5%A6%82%E4%BD%95%E8%AE%AD%E7%BB%83%E4%B8%80%E4%B8%AA%E5%8E%9F%E7%94%9FComputer-Use%E6%A8%A1%E5%9E%8B/index.html</link><pubDate>Fri, 30 Oct 2026 14:47:30 +0800</pubDate><guid>https://blog.x7peeps.com/AI/10-%E6%A8%A1%E5%9E%8B%E8%AE%AD%E7%BB%83/%E5%A6%82%E4%BD%95%E8%AE%AD%E7%BB%83%E4%B8%80%E4%B8%AA%E5%8E%9F%E7%94%9FComputer-Use%E6%A8%A1%E5%9E%8B/index.html</guid><description>Computer Use 模型的技术全景 2025 年，AI 领域出现了一个重要的范式转移：让大模型直接操控计算机界面。从 OpenAI 的 CUA（Computer-Using Agent）到 Anthropic 的 Claude Computer Use，从字节跳动的 UI-TARS 到微软的 OmniParser，各大厂商和研究机构纷纷押注这个方向。这不是简单的"截图 + OCR + 操作脚本"的工程拼凑，而是一个涉及视觉感知、语言理解、动作规划与强化学习的端到端训练问题。</description></item><item><title>模型微调技术全景：LoRA、QLoRA、全参数微调与实战选型指南</title><link>https://blog.x7peeps.com/AI/10-%E6%A8%A1%E5%9E%8B%E8%AE%AD%E7%BB%83/%E6%A8%A1%E5%9E%8B%E5%BE%AE%E8%B0%83%E6%8A%80%E6%9C%AF%E5%85%A8%E6%99%AFLoRAQLoRA%E5%85%A8%E5%8F%82%E6%95%B0%E5%BE%AE%E8%B0%83%E4%B8%8E%E5%AE%9E%E6%88%98%E9%80%89%E5%9E%8B%E6%8C%87%E5%8D%97/index.html</link><pubDate>Fri, 30 Oct 2026 14:47:30 +0800</pubDate><guid>https://blog.x7peeps.com/AI/10-%E6%A8%A1%E5%9E%8B%E8%AE%AD%E7%BB%83/%E6%A8%A1%E5%9E%8B%E5%BE%AE%E8%B0%83%E6%8A%80%E6%9C%AF%E5%85%A8%E6%99%AFLoRAQLoRA%E5%85%A8%E5%8F%82%E6%95%B0%E5%BE%AE%E8%B0%83%E4%B8%8E%E5%AE%9E%E6%88%98%E9%80%89%E5%9E%8B%E6%8C%87%E5%8D%97/index.html</guid><description>模型微调技术全景：LoRA、QLoRA、全参数微调与实战选型指南 大语言模型（LLM）的预训练已经形成了"少数巨头训练基座模型、大量开发者微调适配任务"的生态格局。然而，全参数微调一个 7B 模型就需要 100-120GB 显存——这意味着你需要至少 2 张 H100 80GB 才能跑起来一次训练。对于绝大多数团队来说，这不是一个可以随意承担的成本。</description></item><item><title>合成数据工程：大模型时代的数据飞轮与质量保障</title><link>https://blog.x7peeps.com/AI/10-%E6%A8%A1%E5%9E%8B%E8%AE%AD%E7%BB%83/%E5%90%88%E6%88%90%E6%95%B0%E6%8D%AE%E5%B7%A5%E7%A8%8B%E5%A4%A7%E6%A8%A1%E5%9E%8B%E6%97%B6%E4%BB%A3%E7%9A%84%E6%95%B0%E6%8D%AE%E9%A3%9E%E8%BD%AE%E4%B8%8E%E8%B4%A8%E9%87%8F%E4%BF%9D%E9%9A%9C/index.html</link><pubDate>Fri, 30 Oct 2026 14:47:30 +0800</pubDate><guid>https://blog.x7peeps.com/AI/10-%E6%A8%A1%E5%9E%8B%E8%AE%AD%E7%BB%83/%E5%90%88%E6%88%90%E6%95%B0%E6%8D%AE%E5%B7%A5%E7%A8%8B%E5%A4%A7%E6%A8%A1%E5%9E%8B%E6%97%B6%E4%BB%A3%E7%9A%84%E6%95%B0%E6%8D%AE%E9%A3%9E%E8%BD%AE%E4%B8%8E%E8%B4%A8%E9%87%8F%E4%BF%9D%E9%9A%9C/index.html</guid><description>合成数据工程：大模型时代的数据飞轮与质量保障 大语言模型（LLM）的能力飞速提升，但其背后隐藏着一个日益尖锐的矛盾：训练数据正在枯竭。Epoch AI 研究机构预测，到 2030-2060 年间，支撑大模型训练的关键语言和视觉数据将面临耗竭，而这一困境无法单纯依靠算法优化或算力升级来化解。与此同时，高质量的人类标注数据成本高昂——一个 5000 条的微调数据集人工标注费用在 1.5 万至 5 万美元之间，且需要数周时间。</description></item></channel></rss>