博主自嘲在训练两个「小型语言模型」：9 个月预训练，奖励机制靠零食

Kyrannio · x · 2026-10-07

LLMJunky 用大模型训练的口吻晒娃式吐槽：手上有两个「SLM」在 post-training，各自预训练花了 9 个月，算力账单还在来。RL 除「奖励黑客」（一哭就有零食）外进展顺利；幻觉率高（说没教过的话）、输出高度重复（「为什么」问 400 遍）、对蔬菜和睡觉的拒绝率极高、指令遵循取决于下指令的人是谁；在「制造混乱」基准上碾压，在「收拾混乱」上翻车。通篇为幽默梗帖。