第一百一十七章 平台期 (第2/2页)
五轮，0.1个点。曲线在快速变平。
“84.7已经是後训练能做到的极限了，”赵文渊说，“再往上走，就不是加数据加显卡能解决的问题了韩路一看着那条曲线。
他想起上次开会的时候，赵文渊在会议室投屏上放的同一条S形曲线。当时的状况，准确率还处在Scaling Law的前半段。
数据点在曲线的极速上升阶段。
现在数据点走到高原了，大力出奇迹，这招在这不再好使了。
“也就是说，”韩路一的手点在办公桌上，“我们用开源底座做微调这条路，走到头了。”“不是走到头了，是走到平台了。”赵文渊纠正他，“就像减肥，平台期是可以突破的，但是你得换一种方式才能突破。”
“什麽方式？”
赵文渊合上笔记本，从腋下抽出那个本子。韩路一瞄了一眼，牛皮纸封面，上面用黑笔密密麻麻写了一堆英文缩写和箭头，像上学时候的笔记本。
赵文渊翻到其中一页，把本子摊在茶几上。
“三条路。”
他指着第一行。
“第一条，继续走RLHF，强化学习加人类反馈。”
RLHF，Reinforcement Learning from Human Feedback，强化学习加人类反馈。简单说，就是让真实用户来当裁判，用户觉得生成得好，模型记住；用户觉得不行，模型改。久而久之，模型就能学会“用户认为好的内容”。
韩路一没说话，等他往下讲。
“思路很简单，开物上线这几个月，真实用户的操作数据我们全都留着。用户觉得生成得好的，点了采纳；觉得不行的，手动改了或者重新生成。这些行为本身就是最好的反馈信号。用这些数据训一个奖励模型，然後用强化学习让天工去拟合这个奖励函数。”
“有别於之前我们基於BugKiller数据的反馈训练，这种训练可以让模型更加理解用户输入所对应的意图，这是超越Bug修复的部分，更偏向於语义理解。”
“成本呢？”
“标注基础设施加上奖励模型训练和迭代，大概五百到一千万，时间三到六个月。上限嘛，”赵文渊想了想，“估计能再提三到五个点，到八十八左右。”
“这个提升不算大。”
“在这个阶段每一点提升都很艰难，而且这条路的核心优势不在上限。”赵文渊说，“开物的真实用户行为数据，是我们独有的资产。别人花钱也买不到。”
韩路一点了下头。
“第二条，”赵文渊翻到下一页，“MoE，混合专家模型。”
MoE，Miture of Eperts，混合专家模型。不是把一个模型训得什麽都会，而是训一群各有专长的小模型，遇到问题再决定派谁上。像一家公司，与其要求每个员工全能，不如让专业的人做专业的事。“这个主要是架构层面的改变。不改基座，不改训练方法，改调用方式、推理方式。把一个大模型拆成多个专精的子模型一一一个擅长Python、一个擅长前端、一个擅长数据库。推理时根据任务类型自动路由到最合适的专家，同算力下效果更好，应该也能提三到五个点。”赵文渊接着说。
“成本？”韩路一问道。
“一千到两千万，架构要重写，模型要重训，时间四到八个月。”赵文渊说，“技术上挑战不算太大，成本主要是要调的模型多。但是需要补人，我们现在的团队在MoE方面没有经验，至少要招两到三个做过类似架构的人。”
“最後说第三条。”赵文渊又翻了一页，语气中有点儿兴奋一是他作为科学家的兴奋。