合合信息發(fā)布大模型加速器,破解國(guó)內(nèi)大模型產(chǎn)業(yè)“語(yǔ)料荒”難題

　　近日，合合信息在WAIC 2024上發(fā)布了用于大模型語(yǔ)料訓(xùn)練的“加速器”產(chǎn)品——TextIn智能文檔處理平臺(tái)。合合信息的思路是，從“煉丹”源頭的燃料出發(fā)，通過(guò)標(biāo)準(zhǔn)化平臺(tái)進(jìn)行語(yǔ)料結(jié)構(gòu)化，提高數(shù)據(jù)預(yù)訓(xùn)練效率，幫助大模型廠商達(dá)成有效的模型性能提升和迭代。

　　國(guó)內(nèi)的大模型產(chǎn)業(yè)處于高速發(fā)展時(shí)期，面向各個(gè)細(xì)分領(lǐng)域的大模型如雨后春筍辦涌現(xiàn)，例如處理文檔的kimi、豆包，用于制作ppt的天工、萬(wàn)知，但做到與chatgpt媲美確非常困難。業(yè)內(nèi)人士對(duì)這個(gè)現(xiàn)象的解釋是，高質(zhì)量的中文數(shù)據(jù)集實(shí)在緊缺，訓(xùn)模型時(shí)只能直接購(gòu)買外文標(biāo)注數(shù)據(jù)集或者直接采集開源的國(guó)外語(yǔ)料庫(kù)作為外援。一旦“進(jìn)口語(yǔ)料”加入的訓(xùn)練參數(shù)量多了，就會(huì)出現(xiàn)跟ChatGPT相似的回答方式。

　　國(guó)內(nèi)外大模型數(shù)據(jù)集主要為英文，均源于許多開源數(shù)據(jù)集進(jìn)行訓(xùn)練，如Common Crawl、RedPajama、BooksCorpus、The Pile、ROOT等。這部分?jǐn)?shù)據(jù)雖然量多，但質(zhì)量上卻良莠不齊。一大優(yōu)質(zhì)的中文語(yǔ)料數(shù)據(jù)，沉睡在報(bào)告、論文、報(bào)紙等文檔里。

　　為緩解語(yǔ)料荒困境，合合信息推出了用于大模型語(yǔ)料訓(xùn)練的“加速器”產(chǎn)品——TextIn智能文檔處理平臺(tái)。在訓(xùn)練前期階段，使用“加速器”文檔解析引擎，破解書籍、論文、研報(bào)等文檔中的版面解析障礙，為模型訓(xùn)練與應(yīng)用輸送純凈的“燃料”;同時(shí)，“加速器”搭載了文本向量化模型，以解決大模型“已讀亂回”的幻覺(jué)問(wèn)題。

　　合合信息此次發(fā)布的大模型“加速器TextIn智能文檔處理平臺(tái)，由TextIn文檔解析、TextIn Embedding(文本向量數(shù)據(jù)模型)以及OpenKIE三大工具組成。從獲得海量數(shù)據(jù)到高價(jià)值數(shù)據(jù)，預(yù)訓(xùn)練階段的語(yǔ)料處理十分關(guān)鍵。這意味著，作為一個(gè)平臺(tái)型產(chǎn)品，向大模型廠商和開發(fā)者“遞鏟子”，其基礎(chǔ)的工具能力是否足夠扎實(shí)，關(guān)系到種子用戶的購(gòu)買意愿。

　　基于這一思路，合合信息在產(chǎn)品設(shè)計(jì)階段提前做了幾件事。首先是場(chǎng)景前置，在未個(gè)性化階段提前給模型補(bǔ)充大量?jī)?yōu)質(zhì)的垂直領(lǐng)域Know-how，比如金融、法律、教育等，關(guān)注特定行業(yè)中的普遍痛點(diǎn)，基于用戶訴求在產(chǎn)品設(shè)計(jì)時(shí)提供解決方案，進(jìn)而提高大模型加速器在核心應(yīng)用場(chǎng)景中表現(xiàn)能力。二是專注產(chǎn)品化，不只對(duì)客戶提供通用場(chǎng)景的API，而是提供更多工具型產(chǎn)品，降低應(yīng)用門檻，做到開箱即用，這對(duì)技術(shù)資源較為薄弱的傳統(tǒng)企業(yè)、中小創(chuàng)業(yè)公司或個(gè)人開發(fā)者來(lái)說(shuō)非常友好。

　　大模型變革的浪潮里，以數(shù)據(jù)為中心，成為行業(yè)人士從事大模型研發(fā)和應(yīng)用的共識(shí)。具體到實(shí)踐層面，大模型上游階段在文本解析、邏輯版面、文檔問(wèn)答等方面，仍有很多的提升工作可以做。

　　未來(lái)，合合信息將繼續(xù)依托技術(shù)優(yōu)勢(shì)，面向人工智能產(chǎn)業(yè)的不足提出解決辦法，助力大模型產(chǎn)業(yè)持續(xù)健康發(fā)展。