大模型项目流程

今天老师给大家分享大模型项目准备经验，供各位同学参考学习。
1️⃣大模型流程
✅数据处理：
1.参考 deepseek 、 llama 、 qwen 等技术报告的数据清洗工作；
2.强烈建议使用 Data - Juicer 做启发式数据清洗工具；
3.做数据多样性探索，保证 Prompt 的多样性；
4.做数据质量增强，用强基座做数据改写等。做拒绝采样保证 response 的" Online "性质。
✅开始训练：
1.卡多做 CPT ，没卡就基于 Base 模型做 Post - Training ;
2.不同规则的模型调参差异大，参考大厂技术报告和其他博客；
3.试试不同的训练策略，有挺多 fancy 的增量预训练和 Post - Training 方法，多试试；
✅评估 Case :
1.在常见的 Benchmark 上看看效果，脚本都有现成的；
2.不要只看指标和 loss ,多分析 case ，知道加什么数据，摸清模型的边界能力，持续迭代优化模型能力；
3.基座或者 Chat 作为 Baseline ，对比看看效果。
2️⃣做一个垂域大模型项目
资源准备：你需要准备至少4张3090级别的显卡，核数足够多的 CPU 。
✅前期准备：
1．调研业务，设计业务场景，分析可行性（数据，技术，实用性）;
2．会爬虫；
3.需要留钱买 API ;
✅数据处理：
1．爬的数据很脏，一定要做数据清洗；2.如果垂域没那么垂直，比如法律方向，大概率 Base 模型见过了，可以选择不做垂域和通用的数据配比；
评估 Case :搞两个 Benchmark ，垂域和通用的，通用不能掉点太多;评估下一致性，从训练集里按任务分层抽样看看 case ;
3️⃣做一个大模型应用
做完上面两个项目后，其实都可以在此基础上构建一个大模型应用，目前最多的就是 rag 或者 agent 嘛，讲讲如何构建一个 RAG 。
✅前置能力：
1．学下 Langchain 和 Llama - index ;
2.看看简单的 workflow 怎么做的，强烈推荐看看 Anthropic 的《 Building effective agents 》;
3．有一定的工程能力。
✅参考框架：
1.Langchian- Chatchat ，之前笔记就推荐了， rag 很有影响力的开源项目，而且可优化点多；
2.Qanything;
3.自己手搓个 workflow .
可优化点：内容供给；重排策略;微调 embedding ;意图分流单独训个 agent ;优化归纳
📳对于想求职算法岗的同学，如果想参加高质量项目辅导，提升面试能力，欢迎后台联系