简介：本文探讨了校招生在大模型领域选择预训练或SFT的考量，分析了两者的工作内容、技能要求、职业发展路径，并建议校招生优先选择预训练以快速提升工程能力，同时保持对SFT的关注和学习。
对于刚刚步入大模型领域的校招生而言，选择预训练（Pre-Training）还是监督微调（Supervised Fine-Tuning，简称SFT）作为职业发展的起点，是一个值得深思的问题。两者各有千秋，选择哪条路取决于个人的职业规划、兴趣以及所在公司的业务需求。
预训练是大模型训练的基石，其核心在于从海量的数据集中提取广泛的语言理解知识，使模型能够跨主题生成连贯的响应。这一过程需要大量的数据清洗、环境配置、代码优化等工程性工作。对于校招生而言，参与预训练项目能够迅速提升数据处理、模型优化等方面的工程能力，这些都是成为一名优秀AI工程师不可或缺的基本功。此外，预训练模型具有成本效益和灵活性，允许使用新数据进行可扩展的改进和持续的预训练，为各种NLP任务设定基准。
然而，预训练的工作也并非没有挑战。短期内可能看不到明显的收益，且需要长期投入和耐心。此外，随着开源大模型的增多，愿意做预训练的公司可能会逐渐减少，竞争也会更加激烈。但正如孟子所言：“天将降大任于斯人也，必先苦其心志，劳其筋骨。”校招生应该趁着年轻，选择最难的工作，快速成长自己，丰满羽翼。
相比之下，SFT则更加注重对模型的特定任务进行微调，以更好地适应业务场景。这一过程需要高质量的训练数据、任务相关的微调策略以及避免过拟合的技巧。校招生在SFT团队中，可能会更多地接触到业务场景，学会如何将模型与实际应用相结合。然而，SFT的工作往往更加依赖于已有的预训练模型，对模型的改动相对较小，这可能限制了校招生在算法和模型创新方面的发挥空间。
此外，从职业发展路径来看，预训练团队的同学往往能更容易地转型到SFT工作，因为他们在工程能力方面已经有了坚实的基础。而SFT团队的同学想要转型到预训练工作，则可能需要花费更多的时间和精力去学习新的技能和知识。
当然，这并不是说校招生就应该一味地追求预训练而忽视SFT。在实际工作中，两者往往是相辅相成的。预训练为模型提供了广泛的语言理解能力，而SFT则使模型能够更精确地适应特定任务。因此，校招生在选择工作时，应该结合自己的兴趣和公司的业务需求来做出决策。
如果所在公司正好有预训练的项目，并且自己也对数据处理、模型优化等方面的工作感兴趣，那么选择预训练无疑是一个明智的选择。通过参与预训练项目，可以快速提升自己的工程能力，为未来的职业发展打下坚实的基础。
同时，也不应该忽视SFT的价值。在实际工作中，可以主动学习SFT相关的知识和技能，了解如何将模型与实际应用相结合。这样不仅可以拓宽自己的视野和知识面，还可以为未来的职业发展提供更多的选择机会。
值得一提的是，在当前的大模型产业中，千帆大模型开发与服务平台等先进的工具平台正在为校招生等AI从业者提供更多的机会和便利。这些平台提供了丰富的预训练模型和微调工具，使得从业者可以更加便捷地开展工作。因此，无论选择预训练还是SFT作为职业发展的起点，都应该充分利用这些先进的工具平台来提升自己的能力和效率。
综上所述，校招生在大模型领域选择预训练还是SFT作为职业发展的起点，需要综合考虑个人的职业规划、兴趣以及公司的业务需求。但无论如何选择，都应该保持对新技术和新知识的关注和学习，不断提升自己的能力和竞争力。只有这样，才能在这个日新月异的AI行业中立于不败之地。