垂直领域大模型定制，不该靠碰运气
很多团队的微调之路是：不评估基座能力就开练、知识缺口和能力缺口混着治、人工出 benchmark 一拖数月、技术堆叠加满却效果平平。DomainLLM 提供一套评估前置、渐进式、可量化、可终止、多尺寸适配的标准化流水线，覆盖从需求评估到生产部署的端到端全流程。
核心方法论
① 评估前置，永远不跳过
先跑领域知识分层评测量化基座原生能力，再跑业务端到端基线锚定差距，用诊断结果驱动方案，不盲目上训练。
② 知识与能力分离
知识缺失（给资料就能答对）→ 知识库 / RAG，量大高频再 CPT、蒸馏；能力缺失（给资料也答不好）→ SFT / LoRA，高要求再全参 + DPO。
③ 渐进式流水线，每步可终止
前置评估 → 外挂知识库 → 轻量微调 → 深度知识注入 → 全参精调 → 偏好对齐 → 混合部署。每阶段独立验收，达标即停，不堆叠技术。
④ Benchmark AI 自动生成
70% 基于客户真实素材改写 + 30% AI 扩展衍生；三层架构（知识诊断 / 能力诊断 / 端到端业务）；四重过滤：事实校验、难度校准、反事实验证、污染检测。
多尺寸模型适配
不盲目追求大参数。针对 14.8B / 27B / 32B 稠密模型与 MoE 提供全维度对比与适配指南：小尺寸做高频轻任务，中尺寸做主力，MoE 应对复杂推理，把算力花在刀刃上。
训练方法矩阵
| 方法 | 适用问题 | 成本 |
|---|---|---|
| LoRA / QLoRA | 能力缺失的轻量修复，快速验证 | 低 |
| 全参 SFT | 高要求的格式 / 逻辑 / 风格对齐 | 高 |
| 蒸馏（CoT） | 把大模型的推理链教给小模型 | 中 |
| CPT 持续预训练 | 大体量、高频更新的领域知识注入 | 高 |
| DPO / GRPO | 偏好对齐，输出更稳更可用 | 中 |
两个特色扩展
GUI
GUI 桌面自动化 VLM
截图采集、录屏转操作轨迹、说明书转训练数据、Grounding 准确率评估（IoU / 坐标偏差）、动作执行与 LoRA 训练——让模型学会「看着屏幕干活」。
决策
业务大脑与仿真决策（L1–L3）
工具注册表 + 仿真适配层 + 决策护栏（数值溯源 / 硬约束 / 越权拦截）；补货场景端到端编排：SS / ROP / EOQ 模型 + 库存仿真 + 人工确认门。
给决策者的一句话
DomainLLM 把「要不要微调、怎么微调、值不值」变成可量化的诊断报告——在花第一张 GPU 账单之前，你就知道收益上限。