参加全球校园人工智能算法精英大赛,赛题为噪声标签数据下的细粒度图像识别鲁棒微调。在必须使用 CLIP ViT-B/32 骨干网络、单模型、无外部数据的严格约束下,设计了基于 LoRA 微调 + 知识蒸馏 + SeedTTA 的方案,进行 36 组对照实验,覆盖蒸馏强度调参、数据增强策略、多模型协同、文本分类器、特征蒸馏、强正则化等方向。最佳方案在验证集 81.19% 准确率、测试集取得 76% 以上的成绩,在同等约束条件下处于赛道第一梯队。核心发现包括:知识蒸馏是稳定提升的关键(偏离蒸馏策略的所有尝试均导致测试集下降)、SeedTTA 中种子多样性远优于视图数量(+0.63%)、验证集到测试集的泛化 gap(5.78%)是主要瓶颈。实验在 6×RTX 5090 集群上完成,使用 PyTorch 框架。