Lần đầu lướt Model Hub của OpenGradient, tôi nghĩ việc chọn model khá đơn giản.
Chỉ cần tìm model đúng với use case là đủ.
Nhưng càng nhìn tôi càng thấy tiêu chí đó chỉ giúp loại bỏ những model không phù hợp.
Phần khó nằm ở những model còn lại.
Mỗi model dường như đang thắng ở một variable khác nhau.
Model này mạnh hơn về capability.
Model kia có latency thấp hơn.
Model khác lại cho output ổn định hơn.
Không có model nào thắng ở mọi thứ.
Đó là lúc trade-off bắt đầu xuất hiện.
Muốn capability cao hơn?
Có thể phải chấp nhận latency lớn hơn.
Muốn output ổn định hơn?
Có thể phải hy sinh flexibility.
Muốn phản hồi nhanh hơn?
Có thể phải chấp nhận một model kém mạnh hơn.
Ban đầu tôi cứ nghĩ mình đang chọn giữa các model.
Nhưng càng nhìn tôi càng thấy tôi đang cố cân bằng giữa nhiều variables cùng lúc.
Và đó mới là phần khó nhất.
Bởi trong thực tế, rất hiếm workflow chỉ cần tối ưu một thứ.
Capability quan trọng.
Latency cũng quan trọng.
Stability cũng vậy.
Vấn đề không phải chọn một variable và bỏ các variable còn lại.
Vấn đề là tìm được điểm cân bằng phù hợp giữa chúng.
Đó là lúc tôi nhận ra thứ cần hiểu trước không phải model.
Mà là chính nhu cầu của mình.
Workflow này thực sự cần gì?
Đâu là giới hạn có thể chấp nhận?
Đâu là trade-off không thể chấp nhận?
Vậy nên giá trị thật của Model Hub không nằm ở số lượng các model.
Mà nằm ở việc buộc người dùng phải nhìn nhận và phân tích rõ nhu cầu của mình hơn.
Bởi khi có hàng nghìn lựa chọn, câu hỏi không còn là:
“Model nào tốt nhất?”
Mà là:
“Làm sao để tìm được điểm cân bằng match với workflow này?”
$LAB $OPG #opg @OpenGradient
Chỉ cần tìm model đúng với use case là đủ.
Nhưng càng nhìn tôi càng thấy tiêu chí đó chỉ giúp loại bỏ những model không phù hợp.
Phần khó nằm ở những model còn lại.
Mỗi model dường như đang thắng ở một variable khác nhau.
Model này mạnh hơn về capability.
Model kia có latency thấp hơn.
Model khác lại cho output ổn định hơn.
Không có model nào thắng ở mọi thứ.
Đó là lúc trade-off bắt đầu xuất hiện.
Muốn capability cao hơn?
Có thể phải chấp nhận latency lớn hơn.
Muốn output ổn định hơn?
Có thể phải hy sinh flexibility.
Muốn phản hồi nhanh hơn?
Có thể phải chấp nhận một model kém mạnh hơn.
Ban đầu tôi cứ nghĩ mình đang chọn giữa các model.
Nhưng càng nhìn tôi càng thấy tôi đang cố cân bằng giữa nhiều variables cùng lúc.
Và đó mới là phần khó nhất.
Bởi trong thực tế, rất hiếm workflow chỉ cần tối ưu một thứ.
Capability quan trọng.
Latency cũng quan trọng.
Stability cũng vậy.
Vấn đề không phải chọn một variable và bỏ các variable còn lại.
Vấn đề là tìm được điểm cân bằng phù hợp giữa chúng.
Đó là lúc tôi nhận ra thứ cần hiểu trước không phải model.
Mà là chính nhu cầu của mình.
Workflow này thực sự cần gì?
Đâu là giới hạn có thể chấp nhận?
Đâu là trade-off không thể chấp nhận?
Vậy nên giá trị thật của Model Hub không nằm ở số lượng các model.
Mà nằm ở việc buộc người dùng phải nhìn nhận và phân tích rõ nhu cầu của mình hơn.
Bởi khi có hàng nghìn lựa chọn, câu hỏi không còn là:
“Model nào tốt nhất?”
Mà là:
“Làm sao để tìm được điểm cân bằng match với workflow này?”
$LAB $OPG #opg @OpenGradient