“训练不用开物的数据。”韩路一说。
赵文渊放下手里的咖啡：“刚才那两百多条”
“专门给你看质量的，既然质量达标，就按这个标准来。”韩路一说，“既然我们要做的是通用对话模型，得让它理解各行各业的人在说什麽。天工积累的这些代码相关的数据就不太用的上了，我们需要更多元的数据。”
“你以前在谷歌的时候有经验，他们是怎麽做的？”韩路一问道。
赵文渊想了想：“大模型出来这几年，流程已经摸索的差不多了。大厂做对话模型，数据管线一般分三步：先是海量采集，爬虫加授权数据源，数据PB级起步，恨不得把整个互联网都存下来；然後清洗，去重、去噪，砍掉百分之**十的垃圾；最後是标注，上千人的团队按标注规范一条一条标，光标注成本一年就能烧几千万。”
他看了韩路一一眼：“我们没那个资源，但做原型到也不需要那麽大的量，开源语料库里有现成的公开数据集、社区问答、百科、论坛，采集和基础清洗别人已经做过一轮了，剩下的是精洗和标注。五千条高质量标注，就算找外包，也得十几万加两三周，但是质量”
赵文渊的话没说完，开源语料，找外包标注，和韩路一刚才给他看的标注质量比，那是一个地下一个天上。他技术再自信，也不敢说这种方法做出来的东西可以出去拉投资。
“我也是这个想法。你放心，数据交给我，保证都是刚才的那个质量。”韩路一保证道。
赵文渊狐疑的看了他一眼，你知道自己在说什麽吗？
开物的数据能标是你有数据源，有用户场景，有深度理解一一开源语料有什麽？
赵文渊尽量让自己的语气听起来没那麽冒犯：“开源数据谁都能拿到，标注出来都大差不差，能有什麽区别？”
好问题，我自有办法。
韩路一看出他不信，也不纠缠：“总之交给我，你先搭训练管线就行。”
两人聊完，赵文渊回十三楼继续工作去了。
韩路一靠在椅背上，想着接下来的事。
赵文渊说得没错，开源语料谁都能拿到，标注出来都大差不差，但那是对普通标注员而言。数据标注是什麽？说白了，数据标注就是做理解，给你一篇文章，问“这个人到底想干什麽”，标注员写一个标准答案。现在业内的做法是流水线作业：清洗管线负责去重、去噪、统一格式，标注员拿到干净的文本，按规范提取核心意图，一篇三千字的博客，最终变成一句话的意图标签。
但标注员忽略的那些细节，恰恰是韩路一最想要的。
一个用户在论坛发帖，问怎麽跟父母开口说自己不想回老家工作，正文两百多字，中间有一句“我爸上个月刚退休”。标注员提取的意图标签是“如何说服父母接受个人职业选择”。
但那句“上个月刚退休”在视界下被高亮了。
父亲刚退休，儿子这时候提不回去，这其实不是职业选择的问题，是父亲突然空出来的时间和情感需求撞上了儿子的边界。
这个用户真正需要的不是说服技巧，是怎麽在不伤感情的前提下，拒绝一个刚刚开始变得孤独的人。“如何说服父母接受个人职业选择”这个标注，连问题的门都没摸到。
语料越精简，视界反而越难用，信号都在那些被忽略的细节里，原始数据才是金矿。
韩路一要做的，就是使用视界，把那些别人以为是噪声、其实是真正相关的上下文，捞出来，再配上准确的意图标注。
同样一条数据，别人标出来是一句话，他标出来是一整张需求地图。
点石成金。
和赵文渊聊完，韩路一又去了司衡律师事务所。
顾司玥已经在等了，桌上文件收得干净，桌上摆了两杯英式红茶。
“来了，坐。”
韩路一坐下，端起红茶喝了一口，味道还行。
“怎麽，什麽事电话里不方便说？”
韩路一把自己的情况讲了一下。
想做一家独立的模型公司，核心团队从源码抽调，主要是赵文渊。主要问题是：他本人和赵文渊能不能同时在两边任职？
顾司玥听完没说话，转身从柜子里抽出源码科技的合同档案。
源码科技A轮的协议是她审过的，赵文渊的劳动合同、期权协议都是她拟的，条款她比韩路一自己还清翻了不到一分锺，合上了。
“先说赵文渊，他的情况简单。”顾司玥拿起笔，在便签纸上画了条线，“竞业条款要生效，得源码主动起诉。你是CE0，你会告他跟你做新项目吗？”
“那就没问题了？”
顾司玥看了他一眼，在纸上写了两个字，在上面画了一个圈。
“有一个隐患，期权。”
韩路一静静听着。
“赵文渊在源码的未兑现期权有百分之三，要一年才能解锁第一批。”
顾司玥在纸上写了个数字，六千万。
“按源码二十亿估值，百分之三就是这个数。”她放下笔，“他才干了不到两个月，一股都没到手。只要离职，全部作废。”
“如果不离职呢？”韩路一问。
“不离职的话，法律上有个忠实义务的问题，员工不能为关联方提供核心技术服务。”顾司玥说，“但这条很虚，只要新公司不注册、不占用他在源码的工作时间、不使用源码的任何资源，没人告得了他。”“那就没问题。”
“现在没问题。”顾司玥强调了「现在」两个字，“问题在後面。贺云深在董事会有席位，有权审查公司运营和重大人事，如果有一天他发现你的核心技术负责人在给你的体外项目干活一”
她竖起手指头一条条数：“第一，要求你解释；第二，要求赵文渊终止，不终止就解雇，未解锁期权全部作废；第三，顺便质疑你这个CE0有没有在全职做事。”
她看着韩路一。
“总之，他承担的风险很大。”
说完，顾司玥翻了一页便签纸。
“接着你的情况，CE0加大股东，A轮投资协议还签了全职承诺条款。”
“你同时实控另一家公司，属於技术性违约。严格来说，投资人可以要求你限期整改，甚至触发回购条款。”
韩路一等着她的“但是”。
顾司玥果然有但是：“但是，实操中，投资人几乎不会因为全职条款违约就走法律程序，太伤关系，而且严重影响公司正常运营。”
她把笔放下。
“法律上你的处境比想象中好，只是你要注意一件事：新公司和源码的资产一定要分的很开。”“你是说，这是法律上最大的风险？”韩路一问。
顾司玥没有直接回答：“你知道当年鼎支付是什麽时候从鼎盛体系里拆出来的吗？”
“2011年。”
“你知道就好。”顾司玥靠回椅背，“2011年，吕云把鼎支付从鼎盛集团转到他个人控制的内资公司，理由是央行要求第三方支付牌照必须内资持有。鼎盛的投资人作为大股东事先完全不知情，事後直接炸了锅。”
“这件事在当时争议非常大。支持的人说他有远见，牌照不拿到手鼎支付就是死路一条；反对的人说他吃相难看，拿监管当借口把公司最值钱的资产搬到自己口袋里。华尔街那边更直接，好几家投行直接下调了鼎盛的评级，理由是创始人不值得信任。”
“最後靠补偿协议收场，鼎盛集团拿到鼎支付上市後百分之三十七点五的利润分成，加上一笔现金补偿。表面上皆大欢喜，但信任裂痕始终没修复，鼎盛後来IP0的时候，鼎支付的估值只能以协议价算进去，比市场价低了一大截。而且从那以後，鼎盛每做一笔新业务拆分，投资人都要先问一句，这次是不是又要搬家？”
顾司玥看着韩路一。
“吕云能推动这件事，是因为他在鼎盛有绝对控制权，没人能挡他。就这样，他还是付出了巨大的信任代价，你呢？”
