第一百五十九章 这样下去你就废了！

    虽然韩路一刚说了苏念念，可是其实他也给自己安排了视频会议。

    和赵文渊。

    赵文渊自从请假之後就没来办公室上班了，最近一直在家搭数据管线，在鼎盛那边的程序走完之前做准备工作。

    两人先把训练的策略过了一遍，会议结尾，韩路一问了一下时间线。

    「文渊，鼎盛那边帐户大概这两天就能配好，你这边什麽时候能开跑？」

    电话那头，赵文渊停顿了一会，似乎在组织语言，然後才开口道：「韩总，就算算力到位了，开跑之前还有一道坎。」

    「什麽坎？」

    「上周五我和你说的，预训练数据的预清洗。」

    韩路一坐在办公桌前想了想，是有这麽回事。

    「咱们现在手里有什麽了？坎在哪？」韩路一问道。

    「有CommonCrawl里的数据，还有公共版权的书籍资料，我想在清洗这块优化一下，但是搞了几天还没头绪。」赵文渊解释道。

    「嗯……我晚上回去看看。」

    挂断视频，韩路一在办公室里思索起来。

    韩路一想起来赵文渊的属性面板。

    【赵文渊】

    【技术S（研究SS）」协作C」稳定A】

    【特技：大模型训练」大模型後训练】

    後训练是他的强项，预训练这边可能就没有那麽熟悉了。

    当然了，大模型现在也出来几年了，论文发了那麽多，大家没吃过猪肉也见过猪跑了。技能是可以迁移过来的，摸索摸索，预训练也没有那麽难。

    想要从头做大模型，真正的瓶颈还在数据和算力。

    数据也分两块，原始数据和标注数据。

    标注数据这块，靠着视界，韩路一已经拿到了世界顶尖的标注。

    数量还不太够，但是肝一肝总会有的。

    但是原始数据还得想办法。

    一般的厂商数据来源主要有几个，除了那些出版物或者特定行业的资料，还要去网际网路上收集资料。网际网路的资料也有不同的来源：可以自己在网际网路上爬一一这就是各显神通了，爬到什麽算你的本事；也可以用CommonCrawl。

    CommonCrawl是开源的语料库，大模型时代的「数字公共图书馆」。

    它是一个非营利组织，目标是「爬取和存档整个网际网路」，并将这些数据免费提供给所有人。这个愿景很伟大，也确实帮助到了很多人。

    现在市面上的大模型，做通用场景的，有一个算一个，训练语料里一定包含CommonCrawl，无非是有的多些有的少些。

    但是CommonCrawl的问题是，它基本没有清洗，里面有网际网路上各种各样的原始信息。就拿中文网际网路来说吧，上面最多的内容是什麽？知识乾货？生活小常识？人生感悟？感人的文学作品错了，是垃圾，各种各样的垃圾。

    菠菜GG，瑟瑟GG，为了优化搜索结果的重复关键词堆砌。

    如果把这些东西当原料直接去制作大模型，你可以期待会看到这样的场景。

    你问它：「什麽是大模型预训练？」

    它回答：「近来大家都对大模型预训练很感兴趣，那麽大模型预训练到底是什麽呢？小编带大家看一看，看完真的惊呆了！到底该如何评价这件事情？欢迎在评论区留下你的看法！」

    所以原料在用之前，先要经过复杂的清洗，这个也不是人工进行的，一般会用传统的基於规则的数据管线筛掉完全无用或有害的信息，然後在剩余的信息中进行去掉语意重复的内容。

    对於怎麽做，韩路一暂时还没头绪，但是没关系。

    晚上问问视哥怎麽看。

    想到这，他拿出手机看了看时间，已经快六点了。

    晚上【404寝室】又约了饭，是张浩然组织的。

    本来周末就想约，但是韩路一为了和苏念念准备今天的董事会会议，拖到了今天。

    张彪去机场还没回来，韩路一没去坐地铁，奢侈了一把，自己叫了个车。

    张浩然订的是一家烤鱼店，比他们的老地方烧烤摊档次高了不少，包厢门口挂了个实木牌子，写着「贵宾席」。

    韩路一到的时候，张浩然已经坐在里面了。

    两人正打着招呼，马小飞也走了进来，手里举着他的大疆0smoPocket4P，一边进门一边说：「这个必须发，从烧烤摊到贵宾席，这是咱们寝室的成长纪录片。」

    「你就不能进来先坐下？」张浩然说。

    「艺术家需要随时记录，你不懂。」

    「什麽时候干自媒体也成艺术了。」张浩然吐槽。

    「大概是抽象艺术吧。」韩路一补刀。

    「笑吧笑吧，我上个月刚过二十万粉了。」马小飞不服气地说。

    「二十万？」张浩然有点意外，「上次

第一百五十九章 这样下去你就废了！-->>(第1/3页)，请点击下一页继续阅读。