通过重采样或类别平衡采样缓解头部偏置，结合Focal Loss、LDAM、Logit Adjustment等重加权与边际调整损失，采用解耦训练（表征学习与分类器再平衡分离），辅以数据增强、迁移学习及专家集成，并按尾部类别指标评估。
实用性取决于应用场景：Zero-shot适合标注成本极高或任务多变的场景，Few-shot在有少量样本时性能更稳定可靠。工业界通常优先Few-shot（3-10样本即可显著提升准确率），Zero-shot多用于快速原型或冷启动阶段。
通过重采样或类别平衡采样缓解头部偏置，结合Focal Loss、LDAM、Logit Adjustment等重加权与边际调整损失，采用解耦训练（表征学习与分类器再平衡分离），辅以数据增强、迁移学习及专家集成，并按尾部类别指标评估。
📍 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
对抗样本攻击威胁显著：微小且人眼难辨的扰动即可使模型准确率骤降至接近零，且具备跨模型迁移性，黑盒场景同样有效。其在自动驾驶、人脸识别等安全关键领域风险突出，但实际危害取决于攻击者权限与物理可实现性；对抗训练、认证防御可缓解，却常牺牲精度且难以彻底根除。
参数高效微调的理论基础包括：低秩适应假设（预训练模型的权重更新本质上是低秩的）、过参数化神经网络的内在维度远低于参数空间维度、迁移学习中任务特定知识可由参数子空间表征、以及lottery ticket假设表明微调只需激活关键参数子集即可达到全量微调效果。
联邦学习使各机构在数据不出本地的前提下协同训练模型，仅交换加密梯度或参数，既满足隐私合规与数据主权要求，又打破数据孤岛、扩大样本多样性，提升模型泛化能力，同时降低集中存储与传输成本及泄露风险。
对抗样本攻击威胁显著：微小且人眼难辨的扰动即可使模型准确率骤降至接近零，且具备跨模型迁移性，黑盒场景同样有效。其在自动驾驶、人脸识别等安全关键领域风险突出，但实际危害取决于攻击者权限与物理可实现性；对抗训练、认证防御可缓解，却常牺牲精度且难以彻底根除。
PagedAttention通过将KV cache切分为固定大小的块（block）并按需分配，避免了连续内存预留导致的碎片化和浪费，使显存利用率接近理论上限，支持更大batch size和更长序列，同时通过块级管理实现高效的内存共享和回收。
小样本学习可缓解垂直领域标注稀缺问题，但并非万能突破口：其效果依赖预训练表征质量与领域分布偏移程度，高风险场景还需结合检索增强、领域微调与严格评测，才能保证稳定性与可落地性。