← 返回刚才阅读的位置

知识卡片

普通读书笔记卡 · 9684.k · 生成模型:DeepSeek-V4.1-Flash

数据墙与自造数据

理解等级:中级

约束

高质量语言数据是有限资源。按估算,高质量语料可能在 2026 年前后耗尽,低质量语料与图像数据晚得多(大致 2030 至 2060 年区间)。这意味着堆更多同类数据这条路径有明确天花板,继续扩展必须靠数据效率或替代数据源。

自造数据

一条思路是让模型生成自己的训练数据:出题、作答、过滤掉差答案、在精选答案上微调;或者让模型生成指令,再按指令自我微调。实验显示这能在多类任务上带来提升,包括用于评测模型自身的基准。

循环论证的质疑与回应

自己教自己会不会只是自我确认?可类比人类:人也只摄入外部信息,但通过反思与重组能产生原数据里没有的见解。关键在生成、筛选、再训练这个循环里有没有引入新的选择压力。

判断方法

看一个合成数据方案,先问筛选信号从哪来:更强的模型、人类偏好,还是可验证的正确性(如代码能否运行)。没有外部锚点,循环会退化成放大既有偏差。

这张卡片看不懂?

已有反馈 · 0 条

    还没有人提交反馈。

    在整书笔记中的位置

    原书出处 · 1 处

    参考来源

    - 位置:《大语言模型-基础与前沿 (熊涛)》第1章《大语言模型:辩论、争议与未来发展方向》(源文件:extracted/大语言模型-基础与前沿 (熊涛)/_epub-src/EPUB/xhtml/chapter3.xhtml) - 结论依据:原文该段以「根据Villalobos et al(2022)的分析,高质量语言数…」为中心展开,本卡的核心判断「约束 高质量语言数据是有限资源。」由此归纳;适用条件与代价取自同段上下文。 - 原始内容:根据Villalobos et al(2022)的分析,高质量语言数据很快就会耗尽,可能在2026年之前。然而,低质量语言数据和图像数据的耗尽时间预计会晚得多