训练AI大模型需要哪些资源和技能，怎么做和怎么选

不少团队开完一场会就决定「我们自己训一个模型」，结果卡在三个地方：算力预算算不准、数据凑不齐又要合规、招人时不知道到底缺哪个岗。这篇不列具体数字，只给一套盘点动作：先分清你要做的是预训练还是微调，再按算力、数据、技能逐项打勾，最后按自查结果反推该选哪条路。

不少团队开完一场会就拍板「我们自己训一个模型」，真动手才发现卡在三件事上：算力预算算不准、数据凑不齐还得过合规、招人时说不清到底缺哪个岗。这篇不给具体数字，只给一套盘点动作：先分清你要做的是预训练还是微调，再按算力、数据、技能逐项打勾，最后拿自查结果反推该走哪条路。

核心思路是把「训模型」拆成可以逐项确认的工程问题，而不是先买卡再想用途。每一项都给判断标准和不适用的情况，你们团队照着走一遍，基本能知道自己是该小步试，还是压根不该碰预训练这档。

第一步先定路线，别把预训练和微调混着算

先分清三种量级的活：从零预训练、在开源权重上继续训练、只做微调或蒸馏。三者在算力、数据和人的要求上差一个数量级以上，混着算预算必然失真。判断依据很朴素：你有没有别人没有的数据，以及业务是否真的要求模型懂这一层。数据只是行业文档、任务只是分类抽取，通常微调加检索增强就够了，上预训练是浪费。

• 从零预训练：要海量通用语料和完整训练团队，适合有独家数据或做基础研究的团队
• 继续训练：在开源权重上加领域语料，介于两者之间，考的是数据质量和训练稳定性
• 微调或蒸馏：数据量小、见效快，多数业务团队的第一站应该是这里
• 不适用的情形：要改模型底层能力或做非文本模态的基础研究，这时绕不开预训练，预算和人都要按另一档准备

按模型规模粗估资源时，到 /compute/training-cost 和 /compute/sizing 看当时的测算口径，再决定是租还是买。估算只当量级参考，别当成承诺值；口径会随卡型和市场变化，用之前对一遍。

算力清单：先算得出来，再谈买还是租

卡型、显存和互联方式决定能不能分布式跑。只买单机不规划节点间通信，规模一大就卡在同步上，加卡也救不回来。短周期、变量多的实验阶段适合租；长期稳定且数据不能出内网再考虑买。到 /compute/gpus 和 /compute/tco 对着当时的规格和三年账比一遍，电费散热那部分到 /compute/power 核对口径。

数据清单：够不够、干不干净、能不能用

数量按路线来定：预训练看语料量级和去重率，微调看标注质量和覆盖度。具体门槛到 /compute/finetune 和站内训练数据相关页面核对当时的说法。质量先于数量，去重、清洗、格式统一和标注一致性不做，加数据只会放大噪声。

1. 清点来源把每批语料的出处、授权方式、能否商用列成表，来源不清楚的宁可不进训练集
2. 过合规个人信息处理、语料授权逐项确认，到 /safety 找合规口径，拿不准的先问再动
3. 清洗去重统一格式、去掉重复和低质内容，记录清洗前后数量比
4. 划分数据集留出验证集和测试集，评估数据绝不能混进训练，划分方式参考站内训练集划分相关文章

技能清单：四个角色，缺哪个补哪个

训练与分布式工程

管训练框架、并行策略和稳定性，决定大规模能不能跑起来

数据工程

管清洗、标注、版本和合规，直接决定模型上限

评测与实验设计

管对照实验、看损失曲线和泛化差距，说不清好坏就没法上线

工程化部署

管推理服务、监控和迭代，训完能否落地看这一环

一个人可以兼两个角色，但不能没人负责。最容易缺的是评测和实验设计：不会设计对照实验、不会看训练和测试之间的差距，训出来的东西说不清好坏。只做微调的团队，重点补数据清洗和评测两个岗，训练框架的坑靠社区和现成工具补，不必配齐预训练全套。招人前先到 /stacks/fine-tuning 看服务商目录，比一比外包部分工序和自建团队的成本差。

动手前的一张自查表：先过一遍再开预算

五问：路线定了吗、算力峰值和试错预算估了吗、数据量和授权确认了吗、评测方案写了吗、负责人和回滚计划有吗。五问有一项答不上来就先别开机，尤其是评测方案。没有衡量标准，训完也没法判断该上线还是该停。

• 路线：预训练、继续训练、微调三选一，写清楚理由
• 算力：峰值和试错预算都算过，不是只估一次跑通
• 数据：量、质量、授权三样都确认
• 评测：验证集和判断指标提前定好
• 人和回滚：有负责人，有停下来或换路线的条件

小步验证：先用小规模数据和一个开源权重跑通完整链路，再决定是否加卡加数据。这条不适用于纯基础研究，链路本身可能就是成果。跑通后再回头看 /rankings 和 /price-watch 里当时的对比，决定下一步往哪走。