The Base Model Is Dead，这是我刚看完的一期分享，来自美国开源模型创业公司Arcee AI的预训练负责人Varun Singh。标题有点唬人，但这哥们的观点非常扎实。他认为，过去Base Model的任务，是尽可能吸收人类已有的知识。GPT-3那个时代，预训练的逻辑很简单，就是抓取大量互联……

本文来自微信公众号： 小盖fun ，作者：小盖

The Base Model Is Dead，这是我刚看完的一期分享，来自美国开源模型创业公司Arcee AI的预训练负责人Varun Singh。标题有点唬人，但这哥们的观点非常扎实。

他认为，过去Base Model的任务，是尽可能吸收人类已有的知识。

GPT-3那个时代，预训练的逻辑很简单，就是抓取大量互联网文本、Wikipedia、书籍，把尽可能多的人类知识压缩进模型参数里。

在GPT-3的训练数据里，来自网页和Wikipedia的数据大概占到了85%。

那个时候大家的默认逻辑就是，模型到底有多强，很大程度上取决于预训练做得好不好。

后训练更多是在这个基础上做最后的行为调整，比如让模型更会聊天、更会遵循指令。RL在当时的作用也比较有限。

但是O1之后，整个行业都发现了RL的重要性。

大家开始发现，只要RL做得足够好，模型在预训练结束之后，能力还可以继续明显提升。于是就不断加后训练的投入。

我记得之前罗福莉在一个访谈里提过，他们在预训练和后训练上的算力投入已经大致接近。

这也就是说，模型在预训练结束之后并没有定型。后训练已经不只是把模型调得更好用，它开始真正影响模型的最终能力。

Base Model的角色也因此发生了变化。它越来越像是在给后面的RL准备一些原子能力，也就是Atomic Skills。

举个例子，如果希望通过RL训练出一个非常强的Coding Agent，那Base Model在预训练结束的时候，不一定已经能够独立完成十个小时的软件工程任务。

但它最好已经掌握了Python、代码结构、API、函数调用、Git、文件系统这些基础能力。

这些就是Atomic Skills。

进入更复杂的任务和环境之后，再通过RL学习怎么把这些基础能力组合起来，这样就可以涌现出复杂Agent任务的能力。

所以，如果Base Model的目标变了，预训练的数据自然也会变。

前面说过，GPT-3时代网页文本占了训练数据的85%。而现在一些新模型里，这个比例已经降到了15%左右，代码反而成了占比最大的数据来源。

背后的逻辑其实很好理解。

现在模型公司已经非常清楚模型需要的关键能力，诸如Coding、长程任务等等，那在预训练阶段，就可以有意识地提前给它准备这些能力需要的数据。

所以训练数据开始越来越有目的性。一些过去主要在后训练阶段才会出现的问答、对话，以及更接近Agent任务的数据，也开始提前进入预训练。

这种训练逻辑下，合成数据的重要性也开始上升。因为当大家越来越清楚模型未来需要什么能力，然后就可以围绕这些能力，主动去准备更合适的训练数据。

比如我们已经知道，未来模型需要很强的Coding、Reasoning和Agent能力，那就可以围绕这些目标，主动生成更接近真实任务的数据。

原来只是一段代码，现在可以把它变成找Bug、修改代码、调用工具、连续完成任务的训练样本。

这样模型在预训练阶段接触到的，就不只是知识本身，也开始包含未来真正要用到的能力。

模型未来需要什么能力，预训练阶段就可以围绕这些能力去设计和生成数据。

这些变化，也催生了现在经常听到的Mid-training。

原因也很好理解。

预训练阶段模型看到的，过去主要是网页文本、书籍、代码。但到了后训练阶段，它突然要面对Reasoning Trace、Agent交互记录、多轮工具调用、长上下文任务。

前后两个阶段的数据分布差别可能非常大。

如果直接从一个阶段跳到另外一个阶段，模型就需要突然适应一套完全不同的数据。

对MoE模型来说，这个问题会更加明显，因为预训练过程中不同Expert已经逐渐形成了自己的分工，数据分布突然变化，可能会影响原有的负载平衡。

所以Mid-training可以理解成一个过渡阶段。

在正式进入后训练之前，提前让模型适应更长的Context、更接近Reasoning和Agent的数据，以及未来真正会遇到的任务分布。

这样Pre-training和Post-training之间就不会切得那么生硬。

所以整体来看，Pre-training、Mid-training、Post-training、RL这几个阶段之间的界限，确实已经越来越模糊了。

或者换一种理解方式，现在看待模型训练，可以粗略简化成两个大的范式：Supervised Learning和Reinforcement Learning。

前者帮助模型建立知识、表征和各种基础能力，后者再让模型进入环境，通过不断探索、试错和反馈，把这些能力组合起来。

回到开头那个标题。The Base Model Is Dead当然是个有点夸张的说法。

Base Model没有死，真正变化的是它在整个模型训练体系里的角色。

过去我们希望Base Model尽可能把人类知识学进去，然后在这个基础上做一些后训练。现在它越来越像一个为Reasoning和Agent准备的底子。

先把Atomic Skills准备好，再把更多复杂能力留给后面的RL。

Base Model依然重要，只是它越来越像一个起点。