校招生做大模型，选预训练还是SFT？

最新推荐文章于 2024-09-17 16:52:57 发布

和老莫一起学AI

最新推荐文章于 2024-09-17 16:52:57 发布

阅读量885

点赞数 12

文章标签：架构人工智能产品经理语言模型大模型 agi ai

本文链接：https://blog.csdn.net/2401_85373691/article/details/141724260

版权

我推荐选 pretrain，理由如下：

pretrain 提高工程能力，sft 提高认知能力

作为校招新人，你的当务之急只有一条：**提升工程代码能力！**我们拆解一下两个团队所需要的技能，你判断下哪个提升代码能力更快。

在 pretrain 团队，你的必修课有：爬取互联网数据，大规模数据清洗与去重（hadoop、spark等），配置各种 torch 和 cuda 环境，搞懂、修改、优化 megatron 的代码，熟练 debug 多机通讯报错，成熟的炼丹技巧（数据配比，学习率，优化器，课程学习，分析 loss 曲线、scaling_law），跑通各 benchmark 验证模型能力；

在 sft 团队，训练框架和炼丹技巧只属于选修课，往往公司不给你时间学习，你的必修课大概只包含以下内容：手动标数据，用 gpt4 标数据，教会标注人员标数据，利用用户反馈标数据，根据实验结果优化数据，参考论文去合成数据。

pretrain 转 sft 的难度，小于 sft 转 pretrain 的难度

基于两个方向的必修课不一样，pretrain 团队的同学能轻松上手 sft 的工作，sft 团队的同学则不能快速接手 pretrain 的工作。毕竟，两个团队核心技术不同：

pretrain 的核心技术：训练代码
sft 的核心技术：训练数据

所以，当你从 pretrain 转去做 sft，花一天时间看一下训练数据，就可以开始干活了；但当你从 sft 转去做 pretrain，你可能得花两周时间学习 megatron，才能开始干活。

pretrain 的杂活比 sft 的杂活更能锻炼新人

前面列举了两个方向的工作内容，假设你作为新人只配去做数据工作这种杂活，那我们就再来仔细看下两个团队的杂活都是什么？

pretrain 的杂活是从海量较脏的互联网数据中清洗出有意义的、干净的训练数据。大概包括：训个小模型给数据打分，写大量规则去除网页文档里的垃圾语料，研究某个 domain 数据的数据特征并想办法过滤该 domain 数据；
sft 的杂活大概是：手动标数据，不断拿 GPT4 试出效果最好的 prompt 来标数据。

言尽于此，哪个杂活更能锻炼人我就不再分析了。

新人应该选最难的工作

pretrain 方向的最大痛点是什么？

短期内没有收益、长期训不过 llama、qwen，老板会选择拥抱开源。但是，你是校招新人，他不敢裁你。趁着你有“校招生”这个护身符，去做最难的工作、快速成长自己，丰满羽翼，有社会舆论和国家政策保护在，你只要别乱执行 rm -rf *，就都是安全的。

再过三两年，可能你就不能选有技术的活，而只能选有收益的活了。

我并没有说 sft 都是标数据的没意义的工作，我曾在另一个回答中力挺 sft 是有技术含量的。我只不过是认为，pretrain 能快速提升工程能力，这对新人非常可贵。成熟一点的程序员，写 hadoop、训 BERT 已经玩得滚瓜烂熟了，多跑一些 sft，找一找大模型的 feel 非常重要，但新人只需要去学习扎实的基本功。

很多人都说，新人只会被分配去打杂，与其去 pretrain 洗数据，不如去 sft 拿收益。但是，孟母三迁的故事并没有过时，人是有眼有腿的啊，可以主动去学习的，在 pretrain 团队，老板不让你做 scaling_law，但是总不能不让你看 scaling_law 的 wiki 吧，总不能不让你请教同事吧。（这段话同样说给选 sft 工作的新人，我们是可以主动去选择学习 pretrain 相关的知识的，不要被工作内容桎梏了眼界和学习范围）

不管选择哪个团队，记得抱紧大佬同事大腿，多学多问，“喊声爸爸，换一份 megatron 的训练代码与教程”，这买卖不亏，我就干过。

零基础如何学习大模型 AI

领取方式在文末

为什么要学习大模型？

学习大模型课程的重要性在于它能够极大地促进个人在人工智能领域的专业发展。大模型技术，如自然语言处理和图像识别，正在推动着人工智能的新发展阶段。通过学习大模型课程，可以掌握设计和实现基于大模型的应用系统所需的基本原理和技术，从而提升自己在数据处理、分析和决策制定方面的能力。此外，大模型技术在多个行业中的应用日益增加，掌握这一技术将有助于提高就业竞争力，并为未来的创新创业提供坚实的基础。

大模型典型应用场景

①AI+教育：智能教学助手和自动评分系统使个性化教育成为可能。通过AI分析学生的学习数据，提供量身定制的学习方案，提高学习效果。
②AI+医疗：智能诊断系统和个性化医疗方案让医疗服务更加精准高效。AI可以分析医学影像，辅助医生进行早期诊断，同时根据患者数据制定个性化治疗方案。
③AI+金融：智能投顾和风险管理系统帮助投资者做出更明智的决策，并实时监控金融市场，识别潜在风险。
④AI+制造：智能制造和自动化工厂提高了生产效率和质量。通过AI技术，工厂可以实现设备预测性维护，减少停机时间。

⑤AI+零售：智能推荐系统和库存管理优化了用户体验和运营成本。AI可以分析用户行为，提供个性化商品推荐，同时优化库存，减少浪费。

⑥AI+交通：自动驾驶和智能交通管理提升了交通安全和效率。AI技术可以实现车辆自动驾驶，并优化交通信号控制，减少拥堵。

…
这些案例表明，学习大模型课程不仅能够提升个人技能，还能为企业带来实际效益，推动行业创新发展。