Context
在 C3 工业缺陷小样本实践中，我们在 NEU-DET 与 DeepPCB 上完成了 Full-SFT、Frozen Backbone 与 V-PEFT 的同预算、多 seed 对照，并扩展到 10/50/100/500 张 nested few-shot scaling。
Observed Results
- V-PEFT reduces trainable parameters by 76.32%.
- GPU memory saving is only about 1.14%-1.53%.
- Training time is 5.67%-19.57% higher than Full-SFT under the tested setup.
- NEU-DET preserves Full-SFT accuracy substantially better than DeepPCB.
- DeepPCB retention improves as sample size grows.
这些是当前实验条件下的技术观察，不将其描述为 YOLO-Master bug，也不主张 V-PEFT 是 universal winner。
Question
希望进一步讨论：
- LoRA target placement 是否影响显存/时间效率；
- rank / target / planner budget 是否需要数据集自适应；
- 是否可以减少 activation / optimizer / adapter overhead；
- 是否值得增加 adaptive V-PEFT policy。
Evidence
Context
在 C3 工业缺陷小样本实践中，我们在 NEU-DET 与 DeepPCB 上完成了 Full-SFT、Frozen Backbone 与 V-PEFT 的同预算、多 seed 对照，并扩展到 10/50/100/500 张 nested few-shot scaling。
Observed Results
这些是当前实验条件下的技术观察，不将其描述为 YOLO-Master bug，也不主张 V-PEFT 是 universal winner。
Question
希望进一步讨论：
Evidence
smoke/c3/p1/results/andsmoke/c3/p2/results/smoke/c3/p1/evidence/p1_final_validation.json,smoke/c3/p2/evidence/p2_final_validation.json, andsmoke/c3/final/evidence/research_delivery_validation.json