ToT 把推理拆成多个中间“思维”节点，并行生成候选后用模型自评打分，再结合 BFS/DFS 搜索、回溯与剪枝，突破链式思维的单路径局限，明显提升 24 点、创意写作等需要规划的任务成功率。
指令微调（Instruction Tuning）和监督微调（Supervised Fine-Tuning）在技术本质上没有根本区别，都属于监督学习范式，区别主要在数据组织形式：指令微调强调将任务统一表述为"指令-输入-输出"三元组格式，通过多任务指令数据集训练模型的跨任务泛化能力；而传统监督微调通常针对单一下游任务的标注数据进行优化，数据格式更灵活但泛化性受限。
ToT 把推理拆成多个中间“思维”节点，并行生成候选后用模型自评打分，再结合 BFS/DFS 搜索、回溯与剪枝，突破链式思维的单路径局限，明显提升 24 点、创意写作等需要规划的任务成功率。
📍 温哥华 · 多伦多 · 上海
98.6% 数据完整度
20+ 位数据分析师
5年 历史数据清洗
2.8与2.0同屏对照，洞察差异。
引入jnd指标过滤噪音。
原始数据开放下载，可复核。
08:00/20:00自动校准模型。
每日预测点
数据完整率
历史指标
国家数据源
确定关注区间与模型偏好
实时拉取canada最新数据
2.8/2.0双模并行
可视化对比+解读
常用指标包括事实一致性评分（与真实数据对比准确率）、引用验证率（可溯源答案占比）、对抗性测试通过率、人工标注幻觉样本比例，也可用Rouge-L、BERTScore等自动化指标，但最终需结合领域专家评审。
AI电脑方向整体靠谱，本地推理需求真实存在（隐私、延迟、离线场景），NPU/专用加速器能显著降低功耗，但当前生态碎片化严重，杀手级应用尚未出现，短期内更多是营销概念，中长期看好但需要软硬件协同成熟和应用场景落地才能真正爆发。
Mistral 7B 与 Mixtral 采用 Apache 2.0 许可，商用几乎无限制；Llama 系列使用自定义社区许可，月活超 7 亿需另行授权，并有署名和使用政策约束。追求许可合规选 Mistral，追求生态与综合性能选 Llama 3.x。
建立品牌语料库作为参考基准，提取关键词、句式和语气特征，通过few-shot prompting或fine-tuning让模型学习品牌风格，配合人工审核和迭代优化prompt模板，确保输出在词汇选择、语气强度和价值表达上与品牌调性保持一致。
Function Calling通过在系统提示中定义工具的JSON Schema，模型根据用户意图生成结构化调用参数，由应用层执行实际API请求后将结果返回模型继续推理，实现天气查询、数据库操作等外部能力扩展。
RAG召回率低通常源于：向量化模型与业务语义不匹配导致embedding质量差、chunk切分粒度不当破坏语义完整性、检索topK设置过小或相似度阈值过高过滤了相关文档、索引构建时未做充分的数据清洗和去重、query改写策略缺失无法处理多样化表达。