第251章 大模型落地（2 / 2）
请关闭浏览器的阅读/畅读/小说模式并且关闭广告屏蔽过滤功能，避免出现内容无法显示或者段落错乱。
陈铭点了点头，没有继续这个话题。走到工位前，他突然停了一下。对了，评测组上午发消息——FGPTv3的第二次训练跑完了。金融问答准确率——
多少？
百分之八十一点三。比v2提升了三个多点。
林晨站在工位边，看着陈铭屏幕上的训练曲线。loss值在最后几百步趋于平稳，几乎是一条水平的直线——说明这次训练的收敛效果不错。但更关键的指标是右侧的评测矩阵：二十个金融领域的benchark任务，v3在十四个上超过了v2，两个持平，四个略有下降。
下降的那四个任务是什么？
保险条款解释、期货合约说明、外汇政策问答、跨境支付流程。陈铭把评测详情拉了出来，这四个任务的数据量都不够，训练集规模只有其他任务的十分之一左右。
那就不是模型本身的问题——是数据瓶颈。林晨拉了张椅子坐下，v3先不发，把这四个任务的数据集补到跟其他任务同等规模，再重新微调一轮。
数据从哪来？
林晨想了一会儿。两个来源——金融事业部的内部文档，和公开的监管文件。前者我去跟孙总要，后者张雨已经在爬了。两周之内把数据集翻一倍。
陈铭打开了一个新的文档，开始列数据需求清单。林晨回到自己的工位，打开Obsidian。
八月下旬了。从他在陈博士面试时提出AI的物理成本到现在，刚好过去了一年半。那个时候他连大模型的训练流程都只停留在论文里的概念，微调、RLHF、ProptEngeerg——每个词都认识，但拼在一起不知道具体怎么做。
一年半之后，他已经带着二十几个人的团队，在做金融大模型的商业化落地。
不是天赋。是一年半以来每一天都在学。
窗外的海面被正午的阳光晒得发白。远处的货轮慢慢往港口方向挪——从高空看像一片漂在水上的树叶。
他低头继续写上周没写完的v3数据清洗脚本。
九月第一周，FGPT智能客服辅助系统在金融事业部正式上线。不是C端产品——是内部工具，嵌入客服工作台，当客服人员接到用户咨询时，系统自动在侧边栏给出三条推荐回复和一条合规提醒。客服人员可以选择直接发送推荐回复，也可以自己修改后再发。
上线第一天的数据，陈铭当晚就发到了林晨的消息里：客服平均响应时间从四十七秒降到了三十二秒。减少了十五秒——看起来不多，但在每天上万条咨询的体量下，十五秒意味着整个团队每天多出了四百多个工时。
孙总在内部的即时通讯上给林晨发了两个字：好用。
林晨回了一个。
没有多余的客套。在大厂待了快两年，他已经学会了一个道理——内部的认可不需要长篇大论的感情抒发，说就是对技术人最高的评价。
晚上，他在笔记本上写了三行字：
FGPT走出了从论文到产品的第一步。不是完美的产品——是能帮人省十五秒的工具。但十五秒积累起来，就是真实的价值。下一步——把准确率推上去，把业务线拓宽。金融大模型不是风口上的猪，是埋在土里的种子。慢慢长，扎实长。
↑返回顶部↑