微调是否会削弱 base model 的原始安全对齐
本文揭示微调对大模型安全对齐的隐性侵蚀：安全并非静态“外壳”或可锁定模块，而是与全部参数纠缠的行为偏好分布。微调（尤其SFT、LoRA、PPO）不删除安全能力，却系统性“重加权”其触发条件——稀释犹豫、压缩拒答、掩盖灰区风险。真正危险的，是变化未被察觉。安全需被主动守护，而非默认留存。
《边缘受限设备API客户端轻量化与功能适配实战指南》
本文聚焦资源受限IoT设备场景，探讨API客户端轻量化与功能完整性的平衡策略，结合真实开发实践，提出分层解耦架构、场景化功能优先级、动态自适应调节等核心思路，通过资源量化评估、模块化设计、闭环验证体系，实现终端资源与业务需求的精准匹配。文章从底层架构到实践落地，系统阐述边缘端API客户端的设计逻辑与优化方法，为受限设备客户端开发提供可复用的技术路径与实践参考，兼具理论深度与工程实用性。
《分布式追踪Span-业务标识融合：端到端业务可观测手册》
本文聚焦分布式追踪体系的业务化落地，围绕Span数据与业务标识的深度融合展开阐述，提出从业务锚点梳理、上下文透传、数据建模到场景化分析的完整实践路径。文章结合工业、物联网、政务等非电商金融场景，详细说明如何构建技术链路与业务流程的双维映射，实现端到端的业务可观测。通过标准化定义、跨节点透传优化、双维数据建模与交叉分析，打破技术与业务的观测壁垒。
LoRA、全参、QLoRA：显存占用结构对比
本文深入剖析大模型微调中显存占用的本质，指出LoRA、全参、QLoRA的差异不在参数量，而在“哪些组件必须常驻显存”。系统拆解显存四大构成：参数、梯度、优化器状态、中间激活，揭示三者各自保留/舍弃/压缩的部分，并强调：**激活（activations）才是OOM主因，而所有方案对此几乎无改善**。破除“换方案即省显存”误区，推动显存问题工程化诊断。
微调后模型“记住用户信息”，通常发生在什么阶段
本文揭示模型“记住用户信息”并非突发事故，而是贯穿预训练、SFT、LoRA微调、偏好对齐等七阶段的渐进式演化过程。关键在于：**不是模型学会了记忆，而是训练中持续奖励“具体化”，使用户特征被逐步绑定、放大并合法化。** 风险隐蔽且无明显红线，需在各环节警惕“身份可推断性”。
