一个人、两周、数百美元，如何训出登顶 Hugging Face 的模型 | 对谈研究员逯雨鑫

陆雨鑫分享了个人微调 AI 模型的实战经验，强调微调并非高不可攀，工业界应用更看重数据质量与成本效益。模型训练的核心难点在于数据处理，合成数据虽能辅助，但仍需大量人工审核以确保质量。监督微调（SFT）是当前工业界最实用的模型优化手段，通过特定领域数据迭代，能以极低成本显著提升小模型在垂直场景的表现。随着算力成本下降与隐私需求增加，应用公司正逐渐成为 “新 AI 实验室”，通过私有数据训练本地模型以实现业务闭环。未来，模型将向本地化、轻量化发展，应用公司将通过掌握核心数据与训练流程，在 AI 竞争中占据主动权，而非单纯依赖大型 AI 实验室的通用模型。