硕士校招生进入大模型领域工作，选预训练还是SFT？

我推荐选 pretrain，理由如下：

pretrain 提高工程能力，sft 提高认知能力
作为校招新人，你的当务之急只有一条：提升工程代码能力！我们拆解一下两个团队所需要的技能，你判断下哪个提升代码能力更快。

在 pretrain 团队，你的必修课有：爬取互联网数据，大规模数据清洗与去重（hadoop、spark等），配置各种 torch 和 cuda 环境，搞懂、修改、优化 megatron 的代码，熟练 debug 多机通讯报错，成熟的炼丹技巧（数据配比，学习率，优化器，课程学习，分析 loss 曲线、scaling_law），跑通各 benchmark 验证模型能力；

在 sft 团队，训练框架和炼丹技巧只属于选修课，往往公司不给你时间学习，你的必修课大概只包含以下内容：手动标数据，用 gpt4 标数据，教会标注人员标数据，利用用户反馈标数据，根据实验结果优化数据，参考论文去合成数据。

pretrain 转 sft 的难度，小于 sft 转 pretrain 的难度
基于两个方向的必修课不一样，pretrain 团队的同学能轻松上手 sft 的工作，sft 团队的同学则不能快速接手 pretrain 的工作。毕竟，两个团队核心技术不同：

pretrain 的核心技术：训练代码
sft 的核心技术：训练数据
所以，当你从 pretrain 转去做 sft，花一天时间看一下训练数据，就可以开始干活了；但当你从 sft 转去做 pretrain，你可能得花两周时间学习 megatron，才能开始干活。

pretrain 的杂活比 sft 的杂活更能锻炼新人
前面列举了两个方向的工作内容，假设你作为新人只配去做数据工作这种杂活，那我们就再来仔细看下两个团队的杂活都是什么？

pretrain 的杂活是从海量较脏的互联网数据中清洗出有意义的、干净的训练数据。大概包括：训个小模型给数据打分，写大量规则去除网页文档里的垃圾语料，研究某个 domain 数据的数据特征并想办法过滤该 domain 数据；
sft 的杂活大概是：手动标数据，不断拿 GPT4 试出效果最好的 prompt 来标数据。
言尽于此，哪个杂活更能锻炼人我就不再分析了。

新人应该选最难的工作
pretrain 方向的最大痛点是什么？

短期内没有收益、长期训不过 llama、qwen，老板会选择拥抱开源。但是，你是校招新人，他不敢裁你。趁着你有“校招生”这个护身符，去做最难的工作、快速成长自己，丰满羽翼，有社会舆论和国家政策保护在，你只要别乱执行 rm -rf *，就都是安全的。

再过三两年，可能你就不能选有技术的活，而只能选有收益的活了。

在这里插入图片描述