话说，大模型火爆两年来

第一批被“气死”的人

都已经“头七”了

……

有人说，不至于吧

俺看各家发的大模型都挺厉害的

个个天赋异禀，牛掰三连

您说的没错，在很多通用场景

尤其C端娱乐、陪伴、效率提升等应用

大模型们这两年干了不少“人事儿”

可一旦到B端严肃场景，就不一样了

比如，有人把大模型接入ERP、BI系统

搞点严谨的数据分析、成本核算

分分钟给你整成一团乱麻

让你不得不从头核对，比自己算还累

还有人拿大模型做了招标助手

指望它能读标书、写标书

结果，看错了标底、写错了应答

本来能中的标都废了…

……

凡此种种“气死人”的案例

皆因通用大模型对行业场景“水土不服”

动不动就出现幻觉、现了原形

嘿嘿

这么说吧，就目前通用大模型的能力

任何企业都很难拿来直接就用

真气死个人儿，可怎么办呢？

⬇️

让大模型在企业级严肃场景、垂直场景能够快速落地、把活干好，最有效的方法就是对大模型进行精调（Fine-tuning）。

所谓「精调」，就是把这些看起来有点“气人”的通用大模型，使用特定任务、特定场景的数据，进行再训练或者微调。

说白了，一方水土养一方大模型，把通用大模型拉回家，喂点我家的专用饲料，搞搞特训，让他们按我们要求的样子“二次发育”。

特训完成后，这些大模型就成了我们的专属大模型，在我们需要的特定业务场景下，也能聪明滴搬砖。

精调省去了从零开始的时间成本、训练成本，表面上看，对企业好像很简单。

但实际上，每一步都有坑…

01、大模型「精调」，有哪些难点？

首先，已有的预训练模型怎么选？

理论上讲参数越大模型越聪明，可是参数大意味着精调的训练成本会增加，而未来推理部署的成本也会更高。

第二，一份高质量的训练数据对精调模型达标起着至关重要的作用，但是，高质量的数据来之不易，要经历繁琐的数据清洗和耗时的数据标注。

数据不行，越调越糊…

第三，虽然精调消耗的算力跟预训练不是一个数量级的，但对企业来说，也是一笔不小的开支。

算力囤少了，精调不够劲儿，算力囤多了，后期就是巨大的沉默成本。

第四，精调完成，还要把模型部署落地到生产场景，与企业业务对接集成，提供推理服务。

这个环节，同样要考虑部署集成的可操作性，易用性，以及长期运营成本。

一旦搞不好，就可能成为烂尾工程，前面的付出全打水漂。

怎么样，是不是左右都是难？

直接采用通用大模型，会被各种出乎意料的幻觉“气死”，选择精调后使用，也可能会被这一路的坑儿“气死”。

02、如何快速搞定大模型「精调」？

怎么破？有人给出了解法，这就是「腾讯云TI平台」。

TI平台是腾讯云面向开发者、政企提供的一站式人工智能开发服务平台。

既可以应用于传统AI/ML场景，也可以应用于生成式AI场景，客户不需要再去找单独的MaaS平台。

TI平台打通了从数据标注、数据构建，到模型训练、模型评估、模型部署，再到AI应用开发和落地的全流程链路。

并且与鹅厂公有云基础设施（存/算/网/安能力）无缝衔接，开箱即用。

用TI平台来进行大模型精调，各种难题都可以迎刃而解↓

01、解决模型选择困难症

面对眼花缭乱的各种通用大模型，企业容易陷入到选择困难症。

TI平台预置了鹅厂自研的混元大模型和行业大模型，并优中选优，全面接入主流开源模型，同时提供通用训练框架和推理加速框架。

更贴心的是，鹅厂刚刚开源了一个“吊炸天”的混元模型：「混元Large」。

混元Large有3890亿总参数量、520亿激活参数量，并支持256K上下文长度，是目前业界参数规模最大、性能领先的开源MoE模型。

MoE模型也就是专家混合模型（Mixture of Experts），有点像“三个臭皮匠，抵过诸葛亮”。

它把多个擅长不同任务的子模型混合在一起，组成“专家团队”，以此来提供更强的能力。

MoE模型通过一种叫做门控网络的机制，根据输入数据的特点，来选择激活哪几个专家（子模型）。

由于MoE模型工作的时候通常只激活一小部分专家(比如100个激活2-3个)，这可以在显著降低计算量的同时，不影响模型性能。

同时因为“群贤毕至、专家云集”，每个专家各有所长，MoE模型可以处理更加多样化、复杂的输入数据，得到更优的结果。

因此，混元Large在推理速度和参数规模之间取得了平衡，显著提升了模型的处理能力。

当然鹅厂还注入了一大堆黑科技，比如：高质量合成数据、随机补偿路由策略、KV缓存压缩、专家特定学习率缩放等等。

测试结果显示，混元Large在CMMLU、MMLU、CEval、AGIEval等多学科评测集以及中英文NLP任务、代码、数学等9大维度表现出色，超越Llama3和Mixtral等主流开源模型。

so，当企业既想更好的模型性能，又想要更低的算力开销，以前没得选，现在混元Large就是终极答案。

02、解决数据清洗和标注难题

选完模型，下一步要准备精调数据，这个环节有两大难题↓

第一是数据来源和格式各异，不同数据来源和不同业务场景，应该采用不同的清洗手段，不同格式的数据，需要更灵活的存储方式。

第二是数据标注效率低下，精调数据通常保存在云存储、云文件系统中，传统标注方案往往涉及数据反复来回拷贝，占用额外空间且耗时耗力。

采用鹅厂TI平台，完全不用担心数据准备环节的难题。

首先，平台预置了一套数据清洗pipeline脚本，这可是腾讯优图算法专家沉淀多年的清洗大模型数据的经验，开箱即用。

同时腾讯云TI平台的大模型标注工具非常灵活，特色创立了基于schema（数据集的结构和格式）的定义方式，可以完全自定义工作台，让标注更方便。

由于腾讯云TI平台本身就是云原生的，可以无缝对接用户待标注数据的云文件系统，标注结果直接保存在原文件路径。

标注过程中，不再需要反复拷贝，省时省力省空间。

03、精调过程稳定高效易用

数据准备好之后，就可以进入具体精调环节。

TI支持低代码、灵活自定义两种精调模式自由选择，并预置了训练镜像，快速发起训练，简单易用。

精调训练过程中，TI提供了三层保障机制，减少任务中断，提升精调效率。

同时，TI基于鹅厂自研的“Angel”加速能力，让训练和推理的速度更快，资源消耗更少。

还有一点也很重要，企业在使用TI实施精调训练时，调用的是鹅厂云端算力，按需使用，不要再自己抢卡囤算力，大大节省资金成本。

而且，TI平台也支持政企私有化部署，全面适配国产算力卡，单平台支持多卡异构纳管，让企业可以有多种选择。

04、模型效果评估与部署难题

大模型精调以后，效果到底怎么样？会不会还是有点“犯浑”？这事儿不能等精调完再检查，要在过程中就把握好。

鹅厂TI平台提供了一套完善的模型评估体系，从精调的不同阶段定义了「轻量体验、客观评测、主观评测」等“考试环节”，并且支持在精调训练的任一checkpoint进行抽查。

好，“智商”检测合格，开始部署。

TI内置推理加速器，可达两倍以上加速比，让推理应用跑到飞起。

同时提供统一的大模型调用API和体验工具，大幅缩短业务接驳大模型的周期。

在应用发布环节，TI提供可视化应用编排，并可以纳管边缘集群，通过云端控制边缘服务发布，快速落地生产场景。

就这样，有了腾讯云TI平台，从模型选择、数据准备，到精调训练、调试评估，再到模型部署和应用，一路畅通。

聪明滴、懂行业、懂场景的大模型，终于有谱啦。

当然，更靠谱的方案，我留在了最后，那就是——

用腾讯云TI平台精调鹅厂刚刚新鲜开源的「混元Large」MoE模型。

顶流的开源模型+顶流的精调平台，体验更加不一般↓

目前，混元-Large × TI的强强联合服务，已经在腾讯云上开放，登录TI平台，您可以完成以下目标：

返回搜狐，查看更多

责任编辑：