背景
这个项目验证中小规模语言模型在特定任务中的可行性。工作重点不是单次训练结果，而是把数据、训练、监控、评估和推理验证连成一条可重复的工程链路。
我的职责
- 负责技术路线和完整训练流程。
- 基于 PyTorch 搭建数据预处理、tokenization 与训练数据管道。
- 在 8×H100 GPU 环境中组织分布式训练和数周运行监控。
- 建立模型评估与推理验证流程，检查质量和稳定性。
工程判断
训练规模约 2B 参数。相较于追求更大的参数量，这一阶段更重要的是让数据版本、训练配置、监控信号和评估结果可以被追踪，让下一次实验建立在可靠证据上。
公开边界
此页面只说明本人可公开的职责和工程方法，不包含项目用途、数据内容、模型权重、内部指标或业务方信息。