第138章 方案顺利通过验证

第138章 方案顺利通过验证

“老婆，你先带着女儿玩一会儿，我去书房处理点儿工作，就一会儿！”思路涌来，郝成回到家不工作的承诺又要食言了。

“十点！”宁荟能怎么样呢，还不是得由着他。

“用不了，最多一个小时！”郝成伸出一根手指指着灯：“我保证！”

“德性！”宁荟笑骂了一句，心里也是感叹：忙点就忙点吧，至少比起去年，这看起来开朗了许多。

……

今天确实不费什么脑筋，因为相关的知识早就在从前整理过了，只是当初没有重视。

来到书房，稍微翻一下之前记录下来的东西，郝成的思如泉涌，一下子就全都冒了出来。

如果说模型的训练提升是在做加法，让模型变得更大更强，那裁切、量化、蒸馏就是在做减法。

很多人可能会有疑问，做减法，那不是让模型变得更弱了吗

理论确实是这样，但有时候，弱不弱的其实不是特别重要，只要使对了劲儿，一样能造的嗷嗷叫，发挥很大的作用。

比如，有些神经元节点的权重非常小，对模型加载信息的影响微乎其微，切掉它们，精度不会降太多，但却能大大的减少资源消耗。

还有，像小沙这样全量全知全能的模型，其部署和每一次的相应运算推理，都需要消耗较大的算力资源。但事实上，每一次都是确有必要的吗

显然并不是！

就拿小沙现在应用最广的软件开发能力来说，它就只需要精准需求的理解以及代码编写能力就够了，至于慢慢在增强的情感映射、主观判断等能力映射这些，那就完全没有必要！

不仅消耗了更多的算力，还拖慢了相应速度。

而且即便是需要的部分，也可以分层去处置：

还是拿软件开发能力来说，最粗略的，那就可以分为两部分：一部分是需求理解，另一部分是根据需求去做开发。

而这第二部分，那就只需要一个“软件开发”的行业模型就够了。

所以，先在输入端就将用户需求分解，然后将小沙按需裁切为软件开发、法律服务、安全服务等小模型，根据分解的需求去调用其中一个，或者几个。