笔趣阁

第93章 名字想好了吗（第2页）

「后训练不拼算力，拼数据，准确的说，拼的是高质量的标注数据。」

韩路一等他继续。

「SFT需要大量的问题、答案配对。输入是用户的自然语言提示词，输出是可运行的应用代码，这种数据的质量直接决定模型的上限。」

赵文渊身体前倾。

「人工标注一条高质量数据，几十到上百块，十万条就是千万级别的成本，而且标注团队水平参差不齐，做出来的数据你还得反复清洗。」

「我在鼎盛的时候见过，CodeSafe吃进去的用户数据量很大，但脏，噪声多，他们花了很多人力清洗，效果始终上不去。」

「垃圾进，垃圾出。」韩路一说。

「就是这个意思，数据质量不行，模型再大也是白搭。」赵文渊说完，看着韩路一的眼神带着试探的意味，他在等韩路一出牌。

「数据我有。」

赵文渊没说话，但身体坐直了。他当时就猜测过，BugKiller为什么这么强，要么有黄金数据，要么有未公开的先进算法，现在看来是前者。

「你的数据哪来的？」他放慢语速，问道，「不会也是偷的吧？」

这话不是玩笑，赵文渊从鼎盛出来的，就是看不惯CodeSafe偷用户代码喂大模型，这是他的底线。

韩路一正色道：「所有的数据都是用户自愿分享的。注册时的相关选项是默认关闭的，用户必须主动选择将检测结果用于产品改进我们才能看到。协议是律师一条一条审过的，我这也有审计报告。」

赵文渊盯着他看。

「我绝不偷数据。」韩路一说。

「好。」赵文渊点了点头，「那数据量够吗？」

韩路一打开背包里的笔记本电脑，接上手机热点，先登录开物后台。

屏幕上跳出一个数据看板。

「开物上线到现在，累计二十三万条提示词—代码配对，」韩路一把屏幕转向赵文渊，「全部来自用户主动分享。」

赵文渊扫了一眼总数：「二十三万条————量是够了。但有个问题，AI生成的代码本身就有Bug，直接拿来训练不还是垃圾进垃圾出？」

「所以有第二步。」

韩路一切换到另一个界面，BugKiller的数据管线看板。

「开物每一条生成的代码，都会自动过一遍BugKiller的检测引擎，有Bug的标出来，能自动修复的直接修复，修不了的丢弃。」

赵文渊凑近屏幕。

数据流很清晰：用户提示词→原始生成代码→BugKiller自动检测→修复后代码→入库。

每一条数据都带着状态标签，「通过」或「已修复」，没有「未修复」。

「原始代码通过率60%上下，经过BugKiller修复后，最终入库率96%。」

赵文渊没说话，他伸手拿过笔记本，开始自己翻数据。

他先看了几条「已修复」的，原始代码里确实有Bug，修复后的代码干净利落。然后他翻「通过」的那些，原始生成就没问题，代码结构清晰，变量命名规范。

一条、两条、五条、十条。

他逐行看修复逻辑。

二十条、三十条。

瑞幸店里的音乐换了几首，赵文渊都没有擡头。

翻到五十条左右的时候，他停了。

「这个检测引擎就是BugKiller的内核？」