🚀 大模型赛道卷疯了！近期部署与微调实战分享

兄弟们，这几个月AI圈子动静不小。Meta的Llama 3.1 405B刚开源，国内Qwen2、DeepSeek V2也相继放出更新，参数越来越大，但推理成本却在下探。说实话，现在不跑个70B以上的模型，都不好意思说自己在搞大模型。

**部署这块**，vLLM和SGLang成了标配。最近试了下用vLLM部署Llama 3.1 70B，配合FP8量化，单卡A100就能跑出20+ tokens/s的生成速度，延迟控制得不错。但要注意，显存碎片化问题还是存在，建议开启`--enable-chunked-prefill`优化长文本推理。

**微调方面**，LoRA和QLoRA依然是主流，但近期出现了一些新玩法：Unsloth框架能加速训练3倍，而且支持动态量化。我自己用DeepSeek V2跑了LoRA微调，效果比全量微调差不到5%，但显存省了70%。如果做领域定制，建议先用少量数据做SFT，再用DPO对齐偏好。

**使用技巧**：别迷信长上下文！很多模型宣称128K，实测超过32K就开始跑偏。建议配合RAG，先把文档切块嵌入，再让模型聚焦检索结果，稳定性和成本都更好。

最后抛个问题：你们在实际部署中，是倾向用闭源API（如GPT-4o）还是开源自部署？近期开源模型在代码和数学任务上追得很凶，但中文场景下，你们觉得差距还有多大？评论区聊聊。