近日，合合信息在WAIC 2024上發(fā)布了用于大模型語料訓練的“加速器”產品——TextIn智能文檔處理平臺。合合信息的思路是，從“煉丹”源頭的燃料出發(fā)，通過標準化平臺進行語料結構化，提高數(shù)據(jù)預訓練效率，幫助大模型廠商達成有效的模型性能提升和迭代。

國內的大模型產業(yè)處于高速發(fā)展時期，面向各個細分領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、萬知，但做到與chatgpt媲美確非常困難。業(yè)內人士對這個現(xiàn)象的解釋是，高質量的中文數(shù)據(jù)集實在緊缺，訓模型時只能直接購買外文標注數(shù)據(jù)集或者直接采集開源的國外語料庫作為外援。一旦“進口語料”加入的訓練參數(shù)量多了，就會出現(xiàn)跟ChatGPT相似的回答方式。

國內外大模型數(shù)據(jù)集主要為英文，均源于許多開源數(shù)據(jù)集進行訓練，如Common Crawl、RedPajama、BooksCorpus、The Pile、ROOT等。這部分數(shù)據(jù)雖然量多，但質量上卻良莠不齊。一大優(yōu)質的中文語料數(shù)據(jù)，沉睡在報告、論文、報紙等文檔里。

為緩解語料荒困境，合合信息推出了用于大模型語料訓練的“加速器”產品——TextIn智能文檔處理平臺。在訓練前期階段，使用“加速器”文檔解析引擎，破解書籍、論文、研報等文檔中的版面解析障礙，為模型訓練與應用輸送純凈的“燃料”;同時，“加速器”搭載了文本向量化模型，以解決大模型“已讀亂回”的幻覺問題。

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，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)到高價值數(shù)據(jù)，預訓練階段的語料處理十分關鍵。這意味著，作為一個平臺型產品，向大模型廠商和開發(fā)者“遞鏟子”，其基礎的工具能力是否足夠扎實，關系到種子用戶的購買意愿。

基于這一思路，合合信息在產品設計階段提前做了幾件事。首先是場景前置，在未個性化階段提前給模型補充大量優(yōu)質的垂直領域Know-how，比如金融、法律、教育等，關注特定行業(yè)中的普遍痛點，基于用戶訴求在產品設計時提供解決方案，進而提高大模型加速器在核心應用場景中表現(xiàn)能力。二是專注產品化，不只對客戶提供通用場景的API，而是提供更多工具型產品，降低應用門檻，做到開箱即用，這對技術資源較為薄弱的傳統(tǒng)企業(yè)、中小創(chuàng)業(yè)公司或個人開發(fā)者來說非常友好。

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)和應用的共識。具體到實踐層面，大模型上游階段在文本解析、邏輯版面、文檔問答等方面，仍有很多的提升工作可以做。

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

（免責聲明：本網站內容主要來自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿，凡在本網站出現(xiàn)的信息，均僅供參考。本網站將盡力確保所提供信息的準確性及可靠性，但不保證有關資料的準確性及可靠性，讀者在使用前請進一步核實，并對任何自主決定的行為負責。本網站對有關資料所引致的錯誤、不確或遺漏，概不負任何法律責任。
任何單位或個人認為本網站中的網頁或鏈接內容可能涉嫌侵犯其知識產權或存在不實內容時，應及時向本網站提出書面權利通知或不實情況說明，并提供身份證明、權屬證明及詳細侵權或不實情況證明。本網站在收到上述法律文件后，將會依法盡快聯(lián)系相關文章源頭核實，溝通刪除相關內容或斷開相關鏈接。 ）