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。

章节内容不完整，请退出阅读模式查看完整内容！