训练实验、Checkpoint与推理发布

训练实验需要可重建的合同

冻结基座revision、tokenizer、chat template、数据manifest、训练目标、adapter配置、代码依赖与资源；记录序列长度、batch、学习率、epoch、seed、精度、硬件、时间、费用及恢复情况。先比较base加原prompt、base加改进prompt、训练候选加同一prompt，避免把提示改善误记成权重收益。

看拟合之外的表现

学习曲线与验证loss能帮助发现过拟合，但不能证明工具正确、引证有效或学生真的学会。完整harness上测未见任务、严重错误、格式、拒答、校准、跨域能力、人工修订和有效成本。训练数据中的成功方法需在新实体、新文档和异常条件下仍然适用，才有迁移意义。

模型发布包含多个依赖

发布对象不仅是checkpoint，还包括基座、adapter、tokenizer、模板、工具协议、serving版本、精度和推理参数。合并adapter、重新量化、更换kernel或batch策略后做代表性回归，确认关键数值和安全切片未退化。多租户端点核adapter路由与KV隔离，模型ID相同不能覆盖这些差异。

容量与退出路径一起测

评估GPU空闲、自动扩缩容、冷启动、吞吐、出站和平台费用；高利用率可能适合专用端点，小流量API可能更易维护。保存可导出checkpoint、adapter、数据与日志，核平台格式与许可。新模型先在离线、shadow和canary取得资格，再切换受信发布指针；若回退还涉及新写memory和业务状态，应有独立处置方案，而非只恢复旧权重。