用 Tinker 微调 Qwen3-8B：准确率从 50% 提到 76%，顺便烧掉预算
来源：dev.to — 2026-10-18
📋 概述
为 Hacktoberfest 第二周做的 Complexity Scorer：在把 prompt 发给贵模型之前，应用先调用一个微调过的开源权重小模型，拿到 0.00 到 1.00 的复杂度分数，再据此路由——取 JSON 字段、格式化文本这种活交给便宜模型，真正需要推理的才上大模型。作者坦白的动机很实在：既想省钱，也想第一次试试微调。他选 Tinker 作为入门路径，先跑 smoke test 确认链路通，再正式训练，把准确率从 50% 推到 76%，代价是训练预算见底。文中给了分数档位的定义（trivial 到复杂各自对应什么样的任务）、模型选择理由和实操里踩到的坑，也老实写了哪些部分仍然不准。
🔑 核心要点
- 核心思路是前置打分再路由，把琐碎请求挡在贵模型之外。
- 分数档位从 0.00 的 trivial（提取、格式化等确定性变换）往上一路对应推理强度。
- 先 smoke test 再正式训练——作者强调这一步省了很多时间。
- 结果：准确率 50% → 76%，预算同时烧完，他两个数字都照实写了。
- 选 Tinker 是因为它是微调入门的最低门槛路径，而不是因为它最强。
💡 金句
Do you really need an expensive reasoning model for that? Probably not. But your AI application doesn't necessarily know how complex an incoming prompt is.
译：那种活真的需要昂贵的推理模型吗？大概不需要。但你的 AI 应用并不知道进来的这条 prompt 到底有多复杂。
← 返回 dev.to 首页