「ChatGPT之母」用千问微调了个模型，干翻GPT和Gemini

54 0 0

文章摘要

迈入2026年，通用大模型在处理专业垂直领域任务时暴露出明显的局限性。通用大模型并非人工智能发展的终点，针对特定场景的“差异化智能”才是未来的核心方向。 前OpenAI首席技术官米拉·穆拉蒂离职后创立Thinking Machines Lab，致力于构建可定制的AI系统，推动大模型在垂直领域的私有化定制落地。

Thinking Machines Lab与桥水基金合作，对前沿通用大模型进行了基础金融信息筛选测试。结果显示，通用大模型在该任务上的准确率仅在50%至70%之间，无法达到80%的可靠部署标准。相比之下，研究团队以开源模型为基座，通过其推出的Tinker微调平台进行训练，打造出的私有专家判断模型准确率达到了84.7%。该私有模型不仅在财务文档任务上表现优于主流通用大模型，其推理成本更是大幅降至通用模型的约十四分之一。

Tinker平台极大简化了大模型的微调流程，使企业能够轻松切换基座模型并启动训练，改变了以往仅依赖提示词引导模型的范式。通过工具链微调开源模型，企业能够保留对模型权重、专有数据及算力基础设施的绝对控制权，有效避免核心业务数据外泄。 这种机制将行业专家难以转化为固定规则的隐性经验，转化为可规模化复制的数字资产，弥补了通用模型在专业领域的知识盲区。

大量专有企业数据和人类专业知识并未被完全囊括在通用大模型的训练数据中。随着微调技术的普及与门槛降低，人工智能的发展重心正从少数科技巨头主导的通用大模型参数竞赛，转向细分场景下的差异化智能较量。针对企业特定需求定制的差异化智能，将成为人工智能行业未来发展的核心驱动力与下一个主战场。