第一百八十四章 处理过了，干净
周一上午十点，鼎盛大厦三十二层。
张弛的办公室朝南，晴天的时候能看到陆家嘴的轮廓。今天有雾，窗外是一片均匀的灰白。
刘亚光进来的时候，张弛正在看一份周报，头没抬：“说。”
“源码那边对接上了。”刘亚光在沙发上坐下来，声音压得很低，“他们往算力集群里送的数据，我们这边实时能拿到副本。”
张弛放下手机，看了他一眼：“现在进来的是什么？”
“预训练的数据。”刘亚光说，“就是洗过的语料。”
张弛皱了一下眉：“洗过的语料是什么意思？他们模型意图理解很强，是用的这个数据吗？”
刘亚光正了正身子，同时摇摇头：“训练大模型不是一步到位的。”
他停顿了一下，思考该怎么说：“我给您解释一下，这分几个阶段。第一步叫预训练。这个阶段喂给模型的是海量的原始文本——网页、书籍、论文、论坛帖子，来源越杂越好，量越大越好，好一点的模型这个阶段要喂几万亿个词。模型在这个阶段做的事很简单，就是反复猜下一个词是什么。给它看「今天天气」，它猜「很好」；给它看「深度学习的本质是」，它猜「优化」。猜对了往前走，猜错了调参数，反复几千亿次，模型就慢慢学会了语言的规律，学会了世界上大量的知识和常识。”
张弛点点头。
刘亚光继续说道：“这个阶段的数据不需要人工标注，有什么文本就喂什么，但要先洗——把乱码、重复内容、低质量的垃圾过滤掉，不然模型学了一堆噪声，反而有害。洗数据这个活听起来简单，但洗得好不好，直接影响预训练出来的模型底子有多扎实。”
“那第二步呢？”
“第二步才是让模型真正聪明起来。”刘亚光说，“要让它理解人的意图，知道同样一句话背后用户真正想要什么，这需要另一批数据，那些专门标注过的，一条一条告诉模型「这个场景下正确答案是这个」。这批数据量小很多，但每一条都要人工判断，很难批量生产。按照您之前告诉我的，源码的模型之所以意图理解强，核心就是这批标注数据。”
张弛听完总结道：“他们现在进来的是第一步的数据，但我们真正想要的是第二步的那批。”
“对。”刘亚光肯定道。
张弛看向窗外思考了几秒，又问：“技术上能确认，他们往云上送的数据，我们全都能拿到？”
“应该能的。”刘亚光说，“只要数据进了他们用的算力节点，我们这边就有完整副本，他们那边看不出来。”
张弛靠回椅背，语气平稳：“那先把这批预训练的语料导出来用。”
刘亚光有些惊讶：“这批数据没有标注，价值有限，我们自己也有语料——”
“我知道。”张弛说，“我不是为了这批数据。主要是看看这条通道稳不稳，能不能安全导出。先跑一遍，如果他们那边没有动静，路径没问题，后面就好办了。”
他似笑非笑一下，补充道：“反正不用白不用，给坤元那边送过去，用不用看他们了。”
刘亚光点了点头，说：“明白了，张总。”
从张弛办公室出来，刘亚光一路出了鼎盛大厦，坐上了去鼎盛云园区的公交车。
刘亚光的工位在云园区，他今天是特意来给张弛当面汇报的。
下午两点，刘亚光在工位上给张弛发了条消息：“张总，数据弄好了。”
张弛过了几分钟才回复：“干净吗？”
刘亚光：“处理过了，干净。”
张弛：“给数据组发过去吧。”
刘亚光放下手机，在电脑上打开内部通讯，给吴英豪发了个消息：“在吗？”
然后他拿起手机，给吴英豪的微信发了一条：“有新数据。”
不一会，吴英豪发了个戴绿头盔的表情包回来。
刘亚光把一个加密压缩包的链接从内部通讯发了过去。
然后他在微信里给吴英豪有发了一句话：“密码老样子，走数据入库流程，来源写外部采购，批次号我生成好了，你们填进去就行。”
吴英豪的微信消息回复很快：“质量怎么样？”
“洗过的，能用。”
“好。”
吴英豪不是第一次从刘亚光这拿数据了，这事不干净，两人有固定的默契。
数据组每隔一段时间就会有这种批次进来，来源五花八门，有的是爬的，有的是买的，有的是“合作方共享”的。填外部采购是最干净的写法，因为采购来源很杂，审计不容易查到。
这种事不是第一次，也不会是最后一次。
三天后，坤元项目组。
刘大海盯着屏幕上的一条曲线，看了大概三分钟没动。
这是坤元这一轮预训练的loss曲线。
loss是损失值——可以理解成模型犯错的程度，数字越低说明模型学得越好。训练的过程就是让这条曲线一路往下走。
这条曲线确实在往下走，但走得比他预期的快。
刘大海把时间轴拉长，把上一轮的曲线叠进来对比。差异很明显，不像是误差范围内的波动，应该是系统性的提升。
他在心里排除了几个可能的原因：学习率没改，模型架构没动，算力配置没变。难道这批数据有特殊？
刘大海立刻站起来，动身去了数据组。
数据组的负责人叫吴英豪，三十出头，戴眼镜。数据组主要的工作就是收集和清洗数据。
这是个脏活，累活，在大模型开发的产业链里比较底层。
刘大海过去的时候他正在核对一份入库日志。
“英豪，这轮训练咱用了什么新数据没有？”刘大海拍了下他的椅背。
吴英豪转过来，打了个招呼。又翻了翻日志：“最近的新入库的，我看看……几天前外部采购的了一批，放进去用了。”
刘大海点点头，说：“这批数据质量贼拉好了，loss下来了，还比上一轮快不少，应该少不了这批数据的功劳。”
吴英豪愣了一下，随即起身往刘刘大海耳边凑了凑，语气里带了点小心翼翼的热切：“大海老师，这批数据进来的时候噪音很多的，是我们自己花时间处理的，好几个同事加班跑的清洗流程，您觉得效果好？”
吴英豪笃定了刘大海不会追问数据的具体来源，因为他从不过问，这也不是他的职责范围。
“洗得好啊！”刘大海说，语气很认真，“这批比之前做的都好，你们继续保持。”
吴英豪笑着应下，连连点头，快速地扫了下周围确认没有往这里留意他们谈话的同事。
刘大海回到工位，打开本周的训练周报，在进展一栏里加了几行：
「预训练本轮数据质量较上轮明显提升，loss收敛速度加快约9%。初步判断与新入库语料质量相关，数据组本轮清洗工作到位。坤元预训练阶段进展顺利，按计划推进。」
他看了一遍，改了两个字，提交。
周报发出去，进了林绍峰的收件箱。林绍峰是负责算法和ai的副总裁，每周五下午会把各组的周报汇总，转给需要知道的人。这是固定流程，四五页纸，今天的内容不少，坤元这段藏在第三页中间，不长，没有标红，没有加粗。
当天晚上，张弛在手机上收到林绍峰转发过来的汇总周报。
他快速往下划，找和算力相关的部分。坤元的进展在第三页，他划过去，眼神在上面停了不到两秒，继续往下看。没什么特别的，预训练在跑，loss在降，一切正常。
每个人都在站在自己的那块拼图上，看见的都是真的，拼成什么却没人知道。
……
与此同时，坐在办公室里标数据的韩路一疑惑地看了看视界：最近经验值是不是涨的更快了？