加拿大滑铁卢大学研发出一种名为SubTrack++的全新训练方法，不仅可大幅缩短大语言模型的预训练时间，更能显著提升其准确性。这一突破有望降低构建

　　大语言模型是基于深度神经网络、专注于理解与生成人类自然语言的AI系统。其核心能力源于海量文本数据的预训练，借此学习语法规律、语义逻辑及上下文关联，从而输出贴近人类表达习惯的内容。这类模型的“大”体现在两方面：一是训练数据规模巨大，二是模型参数量极为庞大。kaiyun开云正因如此，对其进行预训练往往需要数月时间，并消耗大量算力、专用硬件及电力，高昂成本使一般企业与机构难以承担。

　　为破解这一难题，团队开发出SubTrack++方法，可将预训练耗时缩减一半。团队指出，大语言模型能耗极高，即便训练时间仅减少5%，也能带来显著效益。从长远看，此类技术进步将推动更多人自主构建专属的大语言模型。

　　团队解释说，大语言模型本质是由庞大数字矩阵构成的神经网络，通过数十亿次试错学习预测文本序列。每当预测出错，模型便微调其数学参数以提升准确率。这一过程如同让模型“阅读整座图书馆”，从中学习人类如何使用语言。SubTrack++通过聚焦对任务最关键的核心参数，kaiyun开云简化校正流程，实现高效微调，从而加速整体预训练。

　　团队期望，通过节省预训练时间，未来不只大型企业，普通用户也能构建并定制属于自己的AI工具。安全学习个人偏好后，大语言模型可成为真正的智能数字助理，适应不同用户的风格、目标与需求，成为人类工作与创造中的得力伙伴。