近日，合合信息在WAIC 2024上發布了用于大模型語料訓練的“加速器”產品——TextIn智能文檔處理平臺。合合信息的思路是，從“煉丹”源頭的燃料出發，通過標準化平臺進行語料結構化，提高數據預訓練效率，幫助大模型廠商達成有效的模型性能提升和迭代。

　　國內的大模型產業處于高速發展時期，面向各個細分領域的大模型如雨后春筍辦涌現，例如處理文檔的kimi、豆包，用于制作ppt的天工、萬知，但做到與chatgpt媲美確非常困難。業內人士對這個現象的解釋是，高質量的中文數據集實在緊缺，訓模型時只能直接購買外文標注數據集或者直接采集開源的國外語料庫作為外援。一旦“進口語料”加入的訓練參數量多了，就會出現跟ChatGPT相似的回答方式。

　　國內外大模型數據集主要為英文，均源于許多開源數據集進行訓練，如Common Crawl、RedPajama、BooksCorpus、The Pile、ROOT等。這部分數據雖然量多，但質量上卻良莠不齊。一大優質的中文語料數據，沉睡在報告、論文、報紙等文檔里。

　　為緩解語料荒困境，合合信息推出了用于大模型語料訓練的“加速器”產品——TextIn智能文檔處理平臺。在訓練前期階段，使用“加速器”文檔解析引擎，破解書籍、論文、研報等文檔中的版面解析障礙，為模型訓練與應用輸送純凈的“燃料”;同時，“加速器”搭載了文本向量化模型，以解決大模型“已讀亂回”的幻覺問題。

　　合合信息此次發布的大模型“加速器TextIn智能文檔處理平臺，由TextIn文檔解析、TextIn Embedding(文本向量數據模型)以及OpenKIE三大工具組成。從獲得海量數據到高價值數據，預訓練階段的語料處理十分關鍵。這意味著，作為一個平臺型產品，向大模型廠商和開發者“遞鏟子”，其基礎的工具能力是否足夠扎實，關系到種子用戶的購買意愿。

　　基于這一思路，合合信息在產品設計階段提前做了幾件事。首先是場景前置，在未個性化階段提前給模型補充大量優質的垂直領域Know-how，比如金融、法律、教育等，關注特定行業中的普遍痛點，基于用戶訴求在產品設計時提供解決方案，進而提高大模型加速器在核心應用場景中表現能力。二是專注產品化，不只對客戶提供通用場景的API，而是提供更多工具型產品，降低應用門檻，做到開箱即用，這對技術資源較為薄弱的傳統企業、中小創業公司或個人開發者來說非常友好。

　　大模型變革的浪潮里，以數據為中心，成為行業人士從事大模型研發和應用的共識。具體到實踐層面，大模型上游階段在文本解析、邏輯版面、文檔問答等方面，仍有很多的提升工作可以做。

　　未來，合合信息將繼續依托技術優勢，面向人工智能產業的不足提出解決辦法，助力大模型產業持續健康發展。