local-llm-tuning

把已经在本地跑的 LLM 调得更顺手，主要是改 Modelfile 的推理参数、做单变量对照实验、用评测集比效果、把好用的 Prompt 固化下来。用在模型表现不佳、需要优化推理速度或输出质量时。特别强调证据驱动和只改一项参数来验证效果，不是教你去训练模型（如 LoRA/SFT/预训练）。

# Local LLM Tuning（本地大模型调优）

⚠️ **用户纠正信号：「我的意思是优化我的本地大模型不是我学习」**——当用户说"优化本地模型"，他们指的是让现有的模型更好用（调参+Prompt+推理加速），**不是**学习怎么训练模型。不要在用户问优化时推销训练教程（LoRA/SFT/预训练）。

当用户说"优化我的本地模型"、"调参数"、"让模型更聪明"、"模型太笨"、"能不能调一下"时激活。**不是**装新模型，而是优化已有的模型。

## 核心原则：证据驱动，单变量测试

```
绝不一次改两个参数——不知道哪个起了作用。
```

### 区分"观测"与"宣传"
- **观测（Observation）**：自己在机器上跑出来的数据。可信，可复现。
- **宣传（Claim）**：GitHub README / 抖音视频里的结论。待验证，不可直接引用数值。
- 对GitHub工具：先**看源码理解它做了什么**，再验证，不直接依赖。
- 不说"零风险"，说**"低风险，可逆，值得先试"**——改动前先确认版本/硬件支持。

### 实验记录规范（E-series）

每次实验记一条，格式如下：

| 实验 | 改动 | 指标 | 结果 | 根因 |
|:----:|------|------|:----:|------|
| E-003 | FA=ON | TTFT, tok/s, 回答是否为空 | ❌ 回答为空 | Blackwell未适配 |

**否定结论也是有效产出**——记录根因和修复路径，避免下次再试。

## 🔴 前置步骤（必须先做）：确认实