虽然韩路一刚说了苏念念，可是其实他也给自己安排了视频会议。

和赵文渊。

赵文渊自从请假之後就没来办公室上班了，最近一直在家搭数据管线，在鼎盛那边的程序走完之前做准备工作。

两人先把训练的策略过了一遍，会议结尾，韩路一问了一下时间线。

「文渊，鼎盛那边帐户大概这两天就能配好，你这边什麽时候能开跑？」

电话那头，赵文渊停顿了一会，似乎在组织语言，然後才开口道：「韩总，就算算力到位了，开跑之前还有一道坎。」

「什麽坎？」

「上周五我和你说的，预训练数据的预清洗。」

韩路一坐在办公桌前想了想，是有这麽回事。

「咱们现在手里有什麽了？

坎在哪？」韩路一问道。

「有CommonCrawl里的数据，还有公共版权的书籍资料，我想在清洗这块优化一下，但是搞了几天还没头绪。」赵文渊解释道。

「嗯……我晚上回去看看。」

挂断视频，韩路一在办公室里思索起来。

韩路一想起来赵文渊的属性面板。

【赵文渊】

【技术S（研究SS）」协作C」稳定A】

【特技：大模型训练」大模型後训练】

後训练是他的强项，预训练这边可能就没有那麽熟悉了。

当然了，大模型现在也出来几年了，论文发了那麽多，大家没吃过猪肉也见过猪跑了。

技能是可以迁移过来的，摸索摸索，预训练也没有那麽难。

想要从头做大模型，真正的瓶颈还在数据和算力。

数据也分两块，原始数据和标注数据。

标注数据这块，靠着视界，韩路一已经拿到了世界顶尖的标注。

数量还不太够，但是肝一肝总会有的。

但是原始数据还得想办法。

一般的厂商数据来源主要有几个，除了那些出版物或者特定行业的资料，还要去网际网路上收集资料。

网际网路的资料也有不同的来源：可以自己在网际网路上爬一一这就是各显神通了，爬到什麽算你的本事；也可以用CommonCrawl。

CommonCrawl是开源的语料库，大模型时代的「数字公共图书馆」。

它是一个非营利组织，目标是「爬取和存档整个网际网路」，并将这些数据免费提供给所有人。

这个愿景很伟大，也确实帮助到了很多人。

现在市面上的大模型，做通用场景的，有一个算一个，训练语料里一定包含CommonCrawl，无非是有的多些有的少些。
本章未完，请翻下一页继续阅读.........