Il y a quelques jours, j'ai discuté de modèles d'IA avec un pote, et il a dit une phrase assez réaliste : beaucoup de gens veulent directement fine-tuner, mais ils n'ont même pas réfléchi à quel "moteur" ils veulent ajuster.
Au début, je pensais qu'il exagérait un peu, mais en y réfléchissant, c'est vraiment le cas.
Beaucoup de gens s'attaquent à l'IA avec une seule idée en tête : j'ai des données, je veux entraîner un modèle. Ça semble correct, mais en réalité, c'est facile de se planter. Parce que le modèle de base adapté dépend de la tâche. Que tu fasses de la génération de contenu, de l'analyse de code, des questions-réponses multilingues ou de l'explication des risques on-chain, les limites de capacité du modèle de base sont forcément différentes. Tu ne peux pas appliquer le même modèle à toutes les tâches.
Donc cette fois, je regarde le ModelFactory de @OpenLedger , en prêtant attention à un point que je n'avais jamais vraiment abordé : **le choix du modèle de base**.
OpenLedger mentionne que le ModelFactory supporte plusieurs LLMs couramment utilisés et à la pointe de la technologie, comme DeepSeek, BLOOM, ChatGLM, Falcon, Gemma, GPT-2, etc. Ce détail peut sembler être juste une liste de support, mais je pense que c'est très important.
Parce qu'OpenLedger ne se limite pas à te faire uploader des Datanets, puis à cliquer pour entraîner. C'est plutôt comme donner aux builders une plateforme de production de modèles : tu choisis d'abord le modèle de base, ensuite les Datanets, puis tu configures les paramètres d'entraînement, la configuration LoRA / QLoRA, les prompt templates, et enfin tu entraînes ton propre modèle spécialisé.
La première étape ici est cruciale : choisir la base.
Par exemple, si tu veux créer un assistant de sécurité pour Solidity, le modèle de base doit être plus amical avec le code et le raisonnement logique ; si tu veux créer un modèle de contenu pour Binance Square, tu vas te concentrer davantage sur l'expression linguistique, le contrôle du ton et l'organisation ; si tu veux faire de la recherche de projets multilingues, la capacité de couverture linguistique du modèle sera très importante ; si tu veux faire un Q&A léger, un modèle de base pas trop lourd sera suffisant, le coût sera plus crucial.
C'est comme conduire une voiture.
On ne peut pas dire que toutes les voitures utilisent le même moteur. Pour les longs trajets, le transport de marchandises, les courses ou les déplacements urbains, les besoins sont différents et la base l'est aussi. Les modèles AI spécialisés sont pareils. Datanets est le carburant et l'expérience, LoRA est la pièce de tuning, les Prompt Templates sont les habitudes de conduite, mais le modèle de base est le châssis et le moteur.
Le bon côté de ce design d'OpenLedger, c'est qu'il ne force pas les builders à se verrouiller sur une seule voie de modèle. Un écosystème qui ne mise que sur un seul modèle de base peut sembler simple à court terme, mais sera très limité à long terme. Différents scénarios nécessitent des choix différents pour faire émerger des modèles verticaux plus riches.
Bien sûr, avoir trop de choix peut poser problème. Un utilisateur lambda pourrait être perdu : lequel choisir ? DeepSeek, Gemma, Falcon, ChatGLM, ces noms sont familiers, mais les scénarios correspondants ne sont pas forcément clairs. Donc je pense qu'OpenLedger devrait faire en sorte que le choix du modèle de base soit une 'recommandation de scénario' : quel modèle recommander pour le code, quel modèle pour le contenu, quel modèle pour le Q&A, quel modèle à faible coût.
Cette expérience sera très cruciale.
Parce que la plupart des builders ne sont pas des scientifiques des modèles, ils comprennent le scénario. Ils savent qu'ils doivent faire une explication de coffre-fort DeFi, un agent d'audit Web3, un modèle de recherche de projet, un modèle de génération de contenu, mais ne savent pas forcément comment choisir le modèle de base. Si OpenLedger peut abaisser cette barrière de choix, la valeur de ModelFactory sera plus évidente.
Mon jugement sur ce point est assez mesuré : avoir de nombreux modèles de base ne signifie pas que l'écosystème sera forcément fort ; ce qui compte vraiment, ce sont le choix des modèles, la qualité des Datanets, le coût de déploiement d'OpenLoRA et si les appels réels peuvent se connecter.
Mais cette direction est très juste.
Les modèles AI spécialisés ne se contentent pas de recevoir des données et c'est tout.
La première étape est souvent de choisir le bon moteur qui peut supporter ton scénario.
