试遍四个方向摸到3M模型天花板终成功

手撕 GPT 系列第 7 篇。前 6 篇我们跑通了训练，模型通过了 6/6 验收。这篇记录的是：当我们试图让模型变得更好时，发现了什么。

做实验最怕的不是失败，是失败了还不知道为什么。

这篇文章记录了我们在 3M 模型上做的四个实验——三个失败，一个成功。失败的比成功的更有价值。

v3.0.0 通过了全部验收测试，回答质量从 v1.0.0 的“部分答非所问”进化到了“能正确回答”。

但两个问题还在：

1. 后半句幻觉 — “15乘以6”答案正确，但后面多了一句“减少模型体积并保持输入输出语义一致”——跟算术没有半毛钱关系

2. 零泛化 — 15 个验收外的问题，全部返回同一个错误答案“RoPE 是旋转位置编码...”——模型在复读训练数据

我们设了四个优化方向，逐一实验。

方向一：增大 seq_len

▪ 假设
seq_len=128 太短了，模型没空间学到“答完就停”的模式。增到 256 应该能缓解后半句幻觉。

做机器学习的人都有一种直觉：效果不好，是不是窗口太小了？开大一点嘛。一开始谁都是这么想的。

▪ 实验
同一个 3.37M 模型，同一份 600 条训练数据，只改一个变量：

训练时间翻了 8 倍。因为注意力计算复杂度是 O(n²)：序列长度翻倍 → 计算量约 4 倍 → 加上更多训练步数 → 总时间暴涨。

▪ 结果
验收测试先报了一个意外：太阳系那道题只输出了“八大行星：”就停了——因为中文冒号“：”被加到了停止词里，而答案“八大行星：水星...”本身就包含冒号。修复停止词后验收 6/6。

但真正的问题在验收外的 15 个新问题。用训练分布外的问法测试（“什么是深度学习？”“CPU和GPU有什么区别？”“地球到月球有多远？”）：

• seq_len=128（默认）：部分正确，部分答非所问，但没有乱码
• seq_len=256（实验）：大部分出现乱码，如“什么是token？”回答“文本的最小处理单元，一个 toen。”（“toen”是“token”的乱码版）

▪ 结论
seq_len=256 的效果比 128 更差。

三个原因：

1. 模型容量是瓶颈 — 3.37M 参数的“脑容量”就那么大，给它更长的上下文窗口，它没有足够的参数去用好

2. 训练数据不够长 — 答案大多是 20-40 个 token，seq_len=256 的大半空间都是 padding，模型花大量容量学“怎么在空白区域不出错”

3. 投入产出比太差 — 8 倍的训练时间，换来更差的效果

这就好比给一个小学生塞了一本大学教材——书变厚了不代表他能学会更多。直觉这个东西，真是害人不浅。

方向二：数据飞轮

▪ 假设
模型对验收外问题全部答非所问，说明训练数据覆盖不够。补充更多 Q&A 对应该能提升泛化能力。

▪ 实验
用 best.pt 跑 15 个验收外问题，15 个全部返回同一个错误答案：“RoPE 是旋转位置编码...”

为这 15 个问题写标准答案，按 7 种前缀变体（“你知道”、“请问”、“帮我解释下”等）扩展到 105 条，追加到原有 600 条训练数据中。

▪ 结果

• 训练数据从 600→705 条，唯一答案从 12→27 个
• 验收测试 4/6，原有正确答案被“冲淡”
• 部分回答出现乱码

▪ 结论
3.37M 模型的知识容量上限约 12 个主题。新数据不仅没有带来新能力，反而挤掉了旧知识的记忆。

小模型的“脑容量”是有限的。27 个主题分 705 条数据，每个主题平均曝光次数减少了。新知识把旧知识挤掉了。

加数据不是越多越好，是要在模型容量内精打细算。这跟人类学习一个道理——你让一个人同时学 27 门课，每门课都学不好。

方向三：课程学习

▪ 假设
训练时先喂简单样本（短答案），再逐步加入复杂样本（长答案），应该能改善收敛。模仿人类“由易到难”的学习过程。

▪ 实验
对训练数据按答案长度排序，前 30% 训练步只用短答案子集，之后切回全量数据。

▪ 结果

• 验收测试 4/6
• Q2（RoPE 是什么）和 Q3（15×6）全部退化成“我是一个基于 Transformer 的小型 GPT 教学演示模型”——这是训练数据中最短的答案

▪ 结论
课程学习对 3.37M 这种超小模型不适用。

模型容量太小，早期学到的最短答案被“钉死”在权重里，后续用全量数据训练也无法纠正。大模型能用课程学习是因为它有足够的容量“忘掉”早期的过拟合，重新分配权重。小模型做不到。学了就是学了，改不了了。

方向四：多轮对话（成功）

▪ 假设
前三轮实验证明：任何改训练的方案都有回归风险。那就不改训练，只改推理和 UI。

▪ 实验

• Web Demo 从单轮问答改为 ChatInterface
• 推理时将对话历史拼成 “用户:Q1助手:A1用户:Q2助手:” 格式
• generate 函数完全不改，只改调用方式
• 保留单轮模式（含置信度和自洽性检测）在折叠面板中

▪ 结果

• 验收测试 6/6 不受影响
• 多轮 prompt 拼接正确
• 零训练成本，纯推理层优化

▪ 结论
对超小模型，推理层面的优化比训练层面的优化更安全、更有效。不改训练就不会引入回归风险。

总结：四个实验指向同一个结论

核心认知：

3.37M 参数的模型，瓶颈在模型容量本身，不在配置调优或数据量。任何增加“要学的东西”的改动（更长序列、更多主题、更复杂的训练策略）都会超出模型容量，导致整体退化。

唯一安全的优化路径：不改训练，只改推理和 UI。

▪ 三个反直觉的结论

• seq_len 不是瓶颈 — 128→256 训练时间翻 8 倍，效果反而变差
• 加数据不是越多越好 — 超过模型容量上限，新知识会挤掉旧知识
• “由易到难”不适用 — 小模型早期过拟合无法纠正，和大模型的行为完全不同

这不一定是你想听到的结论。但这是实验告诉我们的真相。

对小模型，知道天花板在哪里，比盲目调参更有价值。

⚠️ 踩坑提醒：
小模型调参的三个坑——

1. seq_len 开大不等于效果好，可能训 8 倍时间换来更差的输出

2. 加数据超过模型容量，新知识会挤掉旧知识

3. 课程学习在小模型上会过早锁死最短答案，大模型的经验不能照搬

你是不是也干过这种事？训练完发现效果不好，第一反应是“是不是数据不够”，第二反应是“是不是窗口太小”，第三反应是“是不是训练策略有问题”——三个方向全试了一遍，最后发现模型本身就那么大，怎么调都白搭。

下次碰到小模型效果不好，先问自己一个问题：我是不是在试图超越模型的天花板？

突然在想，是不是还有别的什么好办法。希望路过的大佬能给指点指点。