CASE EVIDENCE / A RECORD
Workshop Labs (workshop-labs-pbc) 公开的真实任务执行案例，来源为 公开代码库，复核于 2026-06-27T03:30:00Z。
原始记录：Workshop Labs 使用 LoRA 微调 Kimi K2 Thinking 的实践
Chinese Brief
Workshop Labs (workshop-labs-pbc) 公开的真实任务执行案例，来源为 公开代码库，复核于 2026-06-27T03:30:00Z。 Model Atlas 将它标记为 A 类证据，因为它同时具备具体使用者、具体任务、公开原始证据和可访问产物。 Model Atlas 不把 benchmark、教程、发布说明或集合页包装成真实案例。
任务
Workshop Labs 团队在 HuggingFace 上对 Kimi K2 Thinking 进行 LoRA 微调的完整实践。需要解决的核心挑战：Kimi K2 使用量化专家权重（NF4），HuggingFace 原生不支持训练量化专家。团队通过 monkey-patch 方式绕过限制，使用 8×H200 GPU 在自定义 Yoda 风格数据集上训练 40 步，验证损失下降且模型行为发生预期变化。
成功在 HuggingFace 框架上对 Kimi K2 Thinking 进行 LoRA 微调。训练在 8×H200 GPU 上完成，40 步训练后损失下降。产出包含完整的训练代码（train.py）、数据生成脚本（make_yoda_dataset.py）、训练日志和损失曲线可视化。技术博客详细记录了遇到的 bug 和解决方案。
Kimi K2 Thinking 的开放权重使社区能够进行微调实验。模型的 MoE 架构（384 专家，每 token 选 8 个 + 1 个共享专家）对微调提出了独特挑战，团队需要 monkey-patch HuggingFace 代码以支持量化专家训练。
这是微调/训练场景而非推理使用。需要 8×H200 GPU。博客文章 URL 可能有访问限制。