第119章 平台期

十二月的海城已经开始冷了。

韩路一裹着羽绒服走进前滩中心的写字楼大堂，把工牌在闸机上刷了一下，“滴”的一声，闸门打开。他走进电梯，十二楼的按钮已经亮了。

电梯里还有两个人，正在聊天，穿着跟他一样的工牌，但他不认识。

看到韩路一和张彪进来，两人停止交谈，其中一个看了他一眼，犹豫了一下，叫了声“韩总”，另一个也跟着打招呼：“韩总早啊”。

韩路一点了下头，打开视界看了看名字：”小牛，小杨，早啊。”

打完招呼，电梯里陷入了一阵尴尬的沉默，两人也不再聊天了。

韩路一确实不认识这两个人。公司已经招满了五十人，中间隔了一轮集中招聘，好几个新面孔他连名字都没对上号。飞书群里有每个员工的名字和头像，但他没来得及一个一个记下来。

十二楼到了，电梯门一开，走廊里已经有人了。

前换了个人，上个月的实习生离职了，现在坐着一个娃娃脸的姑娘，见他来了站起来说“韩总早”。茶水间排着三个人在等咖啡机，有人端着杯子在聊天。走廊尽头的大会议室拉着百叶帘，里面影影绰绰坐了一排人，不知道是哪个组在开晨会。

源码科技更像一家正经公司了。

飞书工作上每天早上十点半会自动弹出一个提醒，“你今天最重要的工作是什么？”，每周五下午还会提醒每个人写”卡点同步”的文档。会议室要在系统上预约，超时十五分钟没到就自动释放。考勤制度是弹性的，上午十点前到就行，下午几点离开公司也会记录，虽然数据暂时没有用来计算绩效，但沈丛云说“先都记着”。

这些都是沈丛云搭起来的。

韩路一在心里对规范化所带来的大公司病有一种难言的抗拒，但他到现在还没有想出什么更好的办法来取代这些规范，于是一条一条的慢慢推进。

走到自己办公室门口的时候，手机震了一下。

是赵文渊的飞书信息：“到了吗？有进度汇报。”

韩路一回了一句”在办公室”，推门进去把羽绒服挂在衣架上，打开百叶帘。窗外是黄浦江，连续几天阴天，今天难得出太阳，江面上有光。

两分钟后赵文渊敲门进来了。

他今天没穿西装，穿了一件皮夹克，看起来像个摩托车骑士，手里抱着笔记本电脑，腋下夹着一个本子。他现在的工位在十三楼，模型团队独占了半层，招了十几个人之后坐不下了，上个月刚扩的。“关门吗？”赵文渊问。

韩路一点点头。

赵文渊用脚后跟把门带上，在沙发上坐下来，打开笔记本，转过屏幕让韩路一看。

屏幕上是一张曲线图。

横轴是训练轮次，纵轴是准确率。五个点标在曲线上，第五个点的数字是

84. 7%。

“第五轮微调训练跑完了，”赵文渊说，“初次生成准确率八十四点七。”

韩路一看着这个数字。

乾元最新公布的基准是85%。

只差0.3个百分点。

“演示看看。”

赵文渊点开几个测试用例，几个使用不同编程语言在不同应用场景下进行的代码生成，生成完之后再放进BugKiller扫一遍，看错误率。韩路一同时打开视界看了看模型直接生成的代码。生成质量确实上了一个阶。

但赵文渊的表情不像是来报喜的。

他翻到下一页，是一张更详细的曲线。五轮训练的提升幅度标得很清楚：第一轮上次会议分享过了，76.8；第二轮到第三轮，提了5个点；第三轮到第四轮，2.8个点；第四轮到第五轮，0.1个点。曲线在快速变平。

“84.7已经是后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，是走到平了。”赵文渊纠正他，“就像减肥，平期是可以突破的，但是你得换一种方式才能突破。”

“什么方式？”

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，然后用强化学习让天工去拟合这个奖励函数。”

“有别于之前我们基于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，更偏向于语义理解。”

“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么都会，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。”

“最后说第三条。”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。