AI 项目开发流程

1.数据(需求)

2.方案

3.模型（硬件需求）

4.训练 评测

5.部署

1）其中成本最高的是数据和硬件。

2）数据包含两个部分：问题和答案 需要被审核

3）数据格式化方案（确定训练工具llamaFactory）一定要确定数据的费用（AI需要的格式，基本是零成本，如果是非对齐格式化数据，那就有可能很高）

如果题目包含图像，先忽略。

如果答案包含图片，那么就不是简单的LLM模型，而要做图像生成 多模态。而生图需求：图像生成，不适合小规模服务器训练。

我们可以考虑使用生图API，如果上不了外网，答案中图像是否固定？如果是固定的，图像变成索引，包含索引编号。以字符形式包含在答案中。

AI 生成图片一般一定是画不对的。AI搞不定。

数据格式化：转为表格

文件表格给到大模型，转存向量库；

但是数据长度比较大，容易遇到超长的异常；

可以使用AI 辅助生成数据。

AI 整理数据后还是逃不开人工审核。

如果有带图片等其他类型的题目，那就不能用LLM 模型了，只能使用多模态。

二、方案

RAG 还是微调？

 RAG，成本低，速度快。唯一要考虑的是能不能实现需求。

使用RAG的问题：

       1）题目数量多，每道题要隔离，单独节点，节点过多，效率低；

       2）题目问题比较专业，base模型不一定能够正确理解问题需求；

所以题库相关选用微调。

模型有两种状态：拟合和过拟合

对于题库这种项目，我们更偏向于过拟合

训练模型：设计数据划分规则（7:2:1 8:2）

训练集包含所有的数据

测试集合：直接从训练集中随机筛选一部分

训练过程中高度依赖于精度指标来判断模型是否达到训练预期目标（客观评价）。

loss 越低越好，精度必须做到95%～98% ，不然项目无效。错误在可接受范围内。

剩下5%得通过其他方式解决。标签一定是对的。Explain 可能有出入。

最头疼的问题是不知道模型训练到什么时候停下来。（达到我想要的结果的时候，这个得设计）

AI试题查询系统。 让AI 确定问的哪道题。

传统软件精确查询

三、模型（硬件需求）

规模：1.5B～8B； 至少有2张及以上24GB以上显存，才能考虑7B～8B

1）数据越小，模型越大，越容易过拟合，反之，越不容易出现过拟合。（得是预训练）

2）模型越小，越容易训练，模型越大，训练时间越长。

结论：选择base模型时，不要选择过大，够用就行。 模型越大，智商越高，改变他难度越高。

当前项目中我们训练的是Lora部分，所以我们应该选择较小的base模型和较大的Lora模型，这样更容易达到我们想要的效果。

理想的模型应该是模型参数小，但是本身的效果很好。1.5B～3B

deepseek 1.5B 蒸馏版本就够用

Lora R =64/128

如何判断是否“够用”？

训练前把问题先直接丢给模型，看答复如果完全无关，就不能用，有一定相关性，那就可以。

数据集 会分hard sample 和easy sample

为了解决hard sample 效果较差的问题，一部分样本，模型很快就学会了，另一部分样本模型学习会快一些。 我们会选择增加整体的训练时长。