稍微约束一下，它连基础数学公式都全忘了。我们在损失函数里加了七八种正则化限制，全都没用。算力在空转，资金每天都在烧！”
顾屿看着屏幕上不断滚动的错误日志，神色平静。
这两个问题，在2016年这个全球AI界连大模型门槛都没摸到的时间节点，确实是绝症。
没有任何论文可以参考，没有任何开源代码可以借鉴。
但在后世那个百模大战、大模型开源烂大街的2024年，这不过是教科书级别的新手问题。
如果没有前世的记忆，仅凭九天现有的这群天才，哪怕有雅安无尽的算力支撑，他们至少要在黑暗中摸索七到八个月，才能靠海量的试错堆出一个勉强可用的方案。
但是顾屿站在这里，“标准答案”就在这里。
“你们给奖励模型的权力太大了，模型更新的步子也跨得太宽。”
顾屿转过身，手中的马克笔在白板上迅速写下一行全新的数学推导公式。
“在PPO算法更新参数的时候，你们不能让模型像脱缰的野马一样为了讨好奖励模型而乱跑。必须引入一个参考模型，也就是你们做微调之前的那个初始底座模型。”顾屿条理清晰地抛出解法，
“每次新模型生成回答，不仅要看奖励模型给多少分，还要实时计算它和初始模型在词元输出概率上的分布差异。”
顾屿转头看向楼天城，给出了一个形象的比喻。
“打个比方，初始模型就像一个博览群书但口无遮拦的学者，它有自己正常的说话习惯和用词规律。当它为了迎合打分系统，开始满嘴车轱辘废话或者疯狂堆砌政治正确词汇时，它的语言分布就会发生剧变。我们要做的，就是用数学工具去量化这种变化带来的偏差。”
顾屿手中的笔尖顺着公式滑动：
“如果生成的回答偏离初始模型太远，偏差过大，就直接在最终奖励里进行大幅度扣分惩罚。逼着它既要回答人类想听的，又绝对不能偏离原本正常的语言逻辑规律。”
顾屿停下笔，目光扫过实验室里的众人：
“在信息论和概率统计里，衡量两个概率分布之间差异的这把标尺，全称叫做KUllbaCk-Leibler divergenCe，也就是库尔贝克-莱布勒散度。”
顾屿手臂发力，笔尖重重地在公式尾端写下两个大写字母。
“给它加入KL散度惩罚项。”顾屿敲击着白板，
…。。