BAT 集体重做「AI 预训练」，补「脏数据」的坑

📋总体概括

近半年国内多家AI模型厂商密集重启预训练返工，BAT等大厂悉数在列，导火索高度一致：训练数据质量不达标。有厂商曾花一年时间死磕万亿参数大模型，实际落地表现却被市面上参数量仅其1%规模的小模型反超，复盘后发现问题根源在于脏数据污染了训练集。这场集体返工意味着行业竞争焦点正从卷参数、卷算力转向卷数据工程，数据清洗与治理能力成为决定模型成败的隐性门槛，也暴露出前期粗放式预训练的技术债。