这项由上海交通大学人工智能学院、DP Technology、MemTensor等多家机构团结开展的研究揭晓于2025年1月 ，，，，，论文编号为arXiv:2601.19325v1。。。。。。。有兴趣深入相识的读者可以通过该编号盘问完整论文。。。。。。。
在AI快速生长的今天 ，，，，，让机械既能"看懂"图片又能明确重大科学问题 ，，，，，就像作育一个既有敏锐视察力又具备深挚学识的学者一样难题。。。。。。。现在大大都AI系统要么擅优点理一样平常图片 ，，，，，要么专精某个科学领域 ，，，，，很少有系统能在两方面都体现精彩。。。。。。。更要害的是 ，，，，，现有的科学AI系统通常需要海量的专业训练数据 ，，，，，就像作育专家需要阅读图书馆里所有相关书籍一样泯灭资源。。。。。。。
上海交通大学的研究团队却找到了一条更巧妙的路径。。。。。。。他们开发的Innovator-VL系统就像一位既博学又高效的学者 ，，，，，不但能在科学领域体现优异 ，，，，，在一样平常视觉明确使命中也绝不逊色 ，，，，，并且训练历程异常高效。。。。。。。这个系统最令人赞叹的特点是 ，，，，，它仅用不到500万个全心挑选的科学训练样本 ，，，，，就抵达了与那些使用海量数据训练的系统相当的性能水平。。。。。。。
研究团队特殊重视训练历程的透明化和可重现性。。。。。。。他们就像烹饪巨匠果真秘方一样 ，，，，，详细果真了整个训练流程的每个办法 ，，，，，从数据网络到最终优化的完整配方。。。。。。。这种做法在目今AI研究中并不常见 ，，，，，由于许多团队往往将训练细节视为商业神秘。。。。。。。
一、系统架构：三位一体的视觉明确专家
Innovator-VL的整体设计就像组建一个专业的视觉剖析团队。。。。。。。这个团队由三个要害角色组成 ，，，，，每个都有自己的专长和职责。。。。。。。
第一个角色是视觉编码器 ，，，，，使用了名为RICE-ViT的先进手艺。。。。。。。若是把古板的视觉系统比作只能看到整体轮廓的视察者 ，，，，，那么RICE-ViT就像一位既能掌握全局又能察觉细节的专业摄影师。。。。。。。它不但能明确图片的整体寄义 ，，，，，还能准确识别图像中的局部区域和细腻结构。。。。。。。这种能力对科学图像剖析尤其主要 ，，，，，由于科学图片中往往包括麋集的标注、重大的符号和准确的空间关系。。。。。。。
第二个角色是毗连桥梁 ，，，，，接纳了PatchMerger手艺。。。。。。。这个组件就像一位高效的信息编辑 ，，，，，能够将视觉编码器爆发的大宗视觉信息压缩成更紧凑但信息富厚的形式。。。。。。。想象你需要将一本厚重的图册总结成几页英华内容 ，，，，，既要保存所有主要信息 ，，，，，又要让后续处置惩罚越发高效 ，，，，，PatchMerger正是肩负了这样的角色。。。。。。。
第三个角色是语言模子 ，，，，，基于Qwen3-8B-Base构建。。。。。。。这个组件就像团队中的首席剖析师 ，，，，，拥有渊博的知识储备 ，，，，，特殊擅优点理STEM领域的问题和举行逻辑推理。。。。。。。它已经在大宗多样化的文本上接受过训练 ，，，，，具备了处置惩罚重大科学推理使命所需的基础能力。。。。。。。
整个系统的事情流程就像一条高效的生产线。。。。。。。当输入一张科学图片和相关问题时 ，，，，，RICE-ViT首先对图像举行细腻剖析 ，，，，，识别其中的种种视觉元素。。。。。。。然后PatchMerger将这些视觉信息转换针言言模子能够明确的形式。。。。。。。最后 ，，，，，Qwen3-8B-Base团结视觉信息和问题内容 ，，，，，天生准确的谜底或诠释。。。。。。。这种设计让系统既能处置惩罚需要准确视觉明确的科学问题 ，，，，，也能应对一样平常的视觉明确使命。。。。。。。
二、训练战略：从基础到醒目的渐进之路
Innovator-VL的训练历程就像作育一位万能学者 ，，，，，需要履历从基础学习到专业精进的多个阶段。。。。。。。整个历程被全心设计成四个递进的办法 ，，，，，每个办法都有明确的目的和作用。。。。。。。
预训练阶段分为两个子办法。。。。。。。首先是语言-图像对齐训练 ，，，，，就像教会系统将视觉信息和语言形貌建设对应关系。。。。。。。这个阶段使用了LLaVA-1.5数据集中的约55.8万个样本 ，，，，，让系统学会怎样将看到的内容用语言表达出来。。。。。。。接下来是高质量中期训练 ，，，，，使用了约8500万个精选的多模态样本。。。。。。。这个阶段的目的是让系统获得更富厚的天下知识和更强的明确能力 ，，，，，就像让学生阅读种种优质课原本拓宽知识面。。。。。。。
研究团队在预训练阶段做出了一个主要决议：他们没有在科学文本上继续预训练语言模子。。。。。。。这个决议基于一个深图远虑的思量——既然Qwen3-8B-Base已经在包括大宗科学内容的综合语料库上训练过 ，，，，，继续在科学文本上训练可能会引入误差 ，，，，，反而影响系统的通用性。。。。。。。这就像一个已经博览群书的学者 ，，，，，与其让他重复钻研某个狭窄领域 ，，，，，不如让他坚持知识的广度清静衡。。。。。。。
监视微调阶段是整个训练历程的焦点。。。。。。。研究团队构建了约4600万个高质量指令数据 ，，，，，涵盖了三个主要种别。。。。。。。第一类是通用多模态指令数据 ，，，，，约2200万个样本 ，，，，，让系统掌握基本的视觉明确和指令执行能力。。。。。。。第二类是头脑链和多步推理数据 ，，，，，约1500万个样本 ，，，，，作育系统举行重大推理的能力。。。。。。。第三类是科学明确数据 ，，，，，约500万个全心制作的样本 ，，，，，这是系统获得科学专业能力的要害。。。。。。。
在科学数据的构建上 ，，，，，研究团队展现了工匠般的精神。。。。。。。他们建设了"专家在环"的数据生产流程 ，，，，，就像有履历的师傅指导学徒一样。。。。。。。以化学结构识别为例 ，，，，，他们首先使用合成要领天生大宗训练样本 ，，，，，然后在真实专利和论文数据上应用自动学习战略。。。。。。。系统会对自己的展望效果举行置信度评估 ，，，，，将中等置信度的样本优先交给专家修正。。。。。。。这种要领既确保了数据质量 ，，，，，又提高了标注效率。。。。。。。
强化学习阶段是系统能力的最后升华。。。。。。。研究团队策划了约17.2万个训练样本 ，，，，，其中STEM和编程相关的样本占了56.4%。。。。。。。这个阶段就像让系统在现实问题中重复训练 ，，，，，通过奖励和处分唬唬�； ；； ；埔恢彼⑿峦评砝獭！�。。。。。他们使用了Group Sequence Policy Optimization算法 ，，，，，这种要领特殊适合优化需要长序列推理的重大问题。。。。。。。
强化学习的奖励系统设计得很是巧妙。。。。。。。它不但关注谜底的准确性 ，，，，，还重视推理历程的规范性。。。。。。。系统被要求将思索历程放在特定的标签内 ，，，，，将最终谜底单独标出。。。。。。。这种名堂化的要求不但提高了推理的可诠释性 ，，，，，也让系统学会了更有条理的思索方法。。。。。。。
三、数据效率的突破：少而精的训练哲学
Innovator-VL最令人印象深刻的特点之一 ，，，，，就是它用相对较少的数据抵达了卓越的性能。。。。。。。这种效率的背后 ，，，，，体现了研究团队对"质量胜过数目"理念的深度实践。。。。。。。
在目今AI生长的大潮中 ，，，，，许多研究团队倾向于使用海量数据来训练模子 ，，，，，就像试图通过大宗阅读来作育博学的学者。。。。。。。然而 ，，，，，Innovator-VL的团队选择了一条越发细腻化的路径。。。。。。。他们以为 ，，，，，与其让系统消化大宗可能保存噪音的数据 ，，，，，不如让它专注于学习高质量、全心筛选的内容。。。。。。。
这种理念在科学数据的构建上体现得最为显着。。。。。。。团队没有简朴地网络所有能找到的科学图片和文本 ，，，，，而是建设了严酷的质量控制流程。。。。。。。每个科学领域都有专门的专家加入数据审核 ，，，，，确保样本的准确性和代表性。。。。。。。这个历程就像精品餐厅精选食材一样 ，，，，，虽然数目未几 ，，，，，但每一个样本都是经由仔细挑选的精品。。。。。。。
研究团队还接纳了"差别驱动选择"的战略来构建强化学习数据。。。。。。。他们重点关注那些系统能够天生准确谜底但排序不敷准确的样本。。。。。。。这种要领就像教练重点训练运发动的薄弱环节一样 ，，，，，针对性地提升系统的要害能力。。。。。。。通过这种精准的训练战略 ，，，，，系统能够在相对较少的训练轮次中获得显著的性能提升。。。。。。。
数据标准化也是提升效率的主要因素。。。。。。。来自差别泉源的数据往往名堂不统一 ，，，，，就像来自差别地区的方言需要统一成通俗话一样。。。。。。。研究团队将所有训练样本转换成统一的推理名堂 ，，，，，不但提高了训练的稳固性 ，，，，，也让系统学会了更一致的思索模式。。。。。。。
这种高效的数据使用战略带来了实着实在的利益。。。。。。。相比那些需要数十亿样本才华抵达类似性能的系统 ，，，，，Innovator-VL证实晰通过全心设计的训练战略和高质量数据 ，，，，，可以用更少的资源抵达更好的效果。。。。。。。这不但降低了训练本钱 ，，，，，也为资源有限的研究团队提供了可行的生长路径。。。。。。。
四、性能体现：周全着花的卓越效果
Innovator-VL在州测试中的体现就像一位多才多艺的万能选手 ，，，，，不但在科学领域体现精彩 ，，，，，在通用视觉明确使命中也绝不逊色。。。。。。。这种周全的能力在目今的AI系统中并不常见 ，，，，，大大都系统要么专精某个领域 ，，，，，要么在通用使命上体现平平。。。。。。。
在通用视觉明确方面 ，，，，，Innovator-VL-8B-Instruct在17个基准测试中取得了74.50%的平均得分 ，，，，，与现在最先进的系统平分秋色。。。。。。。更令人惊喜的是 ，，，，，它在某些特定使命上还取得了最佳效果 ，，，，，好比在AI2D图标明确使命中得分85.56% ，，，，，在RealWorldQA真实天下问答中得分71.50%。。。。。。。这些效果批注 ，，，，，系统不但能处置惩罚学术测试 ，，，，，也能应对一样平常生涯中遇到的种种视觉明确问题。。。。。。。
在数学推理方面 ，，，，，经由强化学习训练的Innovator-VL-8B-Thinking展现出了显著的提升。。。。。。。它在数学和推理类使命上的平均得分抵达55.41% ，，，，，比基础版本提高了4.54个百分点。。。。。。。这种提升并非无意 ，，，，，而是强化学习训练战略的直接体现。。。。。。。系统学会了更有条理的思索方法 ，，，，，能够将重大问题剖析成多个办法 ，，，，，逐步推导出准确谜底。。。。。。。
科学知识明确是Innovator-VL最闪亮的领域。。。。。。。在科学相关的15个测试基准中 ，，，，，它取得了50.13%和49.79%的平均得分 ，，，，，显著逾越了其他通用系统。。。。。。。特殊值得注重的是在专业化学使命上的体现 ，，，，，好比在OpenRxn化学反应明确使命中得分57.05% ，，，，，在MolParse分子剖析使命中得分64.90% ，，，，，而其他基线系统在这些使命上的得分都不凌驾17%。。。。。。。这种重大的性能差别清晰地展示了专门训练对科学使命的主要性。。。。。。。
除了准确率的提升 ，，，，，Innovator-VL在推理效率方面也体现轶群。。。。。。。研究团队发明 ，，，，，相比其他系统 ，，，，，Innovator-VL天生的推理历程越发精练有用。。。。。。。在一些重大推理使命中 ，，，，，它平均使用的词汇数比竞争敌手少18%到66% ，，，，，但准确率却更高。。。。。。。这种效率优势不但降低了盘算本钱 ，，，，，也提高了推理历程的可读性和可明确性。。。。。。。
更主要的是 ，，，，，Innovator-VL在差别使命间坚持了很好的平衡性。。。。。。。许多专门为科学使命优化的系统往往在通用使命上体现下降 ，，，，，但Innovator-VL乐成阻止了这种权衡。。。。。。。它证实晰通过全心设计的训练战略 ，，，，，可以让AI系统在专业能力和通用能力之间找到最佳平衡点。。。。。。。
五、透明化和可重现性：开放科学的规范
在目今AI研究领域 ，，，，，许多突破性效果往往陪同着不透明的训练历程和难以重现的实验效果。。。。。。。Innovator-VL项目反其道而行之 ，，，，，将透明化和可重现性作为焦点价值 ，，，，，就像开放式厨房让主顾看到整个烹饪历程一样。。。。。。。
研究团队果真了训练历程的每一个细节 ，，，，，从数据网络到最终优化的完整流程。。。。。。。他们不但提供了详细的手艺文档 ，，，，，还宣布了完整的代码库和数据集。。。。。。。这种做法在商业化水平越来越高的AI研究中显得特殊珍贵 ，，，，，为其他研究者提供了完整的参考模板。。。。。。。
训练基础设施的形貌也异常详细。。。。。。。团队使用了基于Megatron-LM的漫衍式训练框架 ，，，，，并接纳了多种先进的优化战略来提高训练效率。。。。。。。他们还立异性地使用了数据打包手艺 ，，，，，通过预先优化数据结构来镌汰盘算资源的铺张。。。。。。。这些手艺细节的果真 ，，，，，让其他研究团队能够阻止重复踩坑 ，，，，，加速整个领域的生长。。。。。。。
在强化学习阶段 ，，，，，团队使用了AReaL异步强化学习框架。。。。。。。这个选择解决了古板同步训练中的效率瓶颈问题 ，，，，，就像将串行生产线刷新成并行流水线一样。。。。。。。通过将推理天生和模子更新疏散 ，，，，，系统能够实现近100%的GPU使用率 ，，，，，大大缩短了训练时间。。。。。。。
评估要领的透明化同样值得歌颂。。。。。。。研究团队不但果真了所有测试基准的详细信息 ，，，，，还提供了完整的评估剧本和评估提醒词。。。。。。。他们使用了lmms-eval框架举行统一评估 ，，，，，确保效果的公正性和可比性。。。。。。。这种标准化的评估方法让其他研究者能够公正地较量差别系统的性能。。。。。。。
数据集的开放也体现了团队的开放精神。。。。。。。他们宣布了多个高质量的数据集 ，，，，，包括46万个指令微调样本和17.2万个强化学习样本。。。。。。。这些数据集不但可以用于重现实验效果 ，，，，，也为其他研究者提供了名贵的训练资源。。。。。。。
这种周全的透明化做法爆发了起劲的连锁反应。。。。。。。其他研究团队可以基于这些开放资源举行二次立异 ，，，，，阻止了重复的基础事情。。。。。。。同时 ，，，，，透明的要领论也让研究效果更容易接受偕行评媾和验证 ，，，，，提高了整个研究的可信度。。。。。。。
六、手艺立异的深度剖析
Innovator-VL的乐成不但在于优异的整体性能 ，，，，，更在于其在多个手艺层面的立异突破。。。。。。。这些立异就像一系列细密齿轮的完善配合 ，，，，，配合驱动了系统的卓越体现。。。。。。。
在视觉明确层面 ，，，，，RICE-ViT的接纳代表了对古板视觉编码器的主要刷新。。。。。。。与只关注全局特征的古板要领差别 ，，，，，RICE-ViT能够同时处置惩罚全局和局部信息。。。。。。。这种能力关于科学图像尤其主要 ，，，，，由于科学图片中往往包括大宗的标注、符号和准确的空间关系。。。。。。。系统能够识别图像中的每一个细节 ，，，，，就像一位履历富厚的科学家能够准确解读重大的实验图表一样。。。。。。。
PatchMerger手艺的应用解决了盘算效率和表征能力之间的平衡问题。。。。。。。视觉编码器爆发的特征通常很是富厚但也很冗长 ，，，，，直接处置惩罚会消耗大宗盘算资源。。。。。。。PatchMerger通过学习将这些特征压缩成更紧凑的形式 ，，，，，既保存了主要信息 ，，，，，又提高了处置惩罚效率。。。。。。。这种设计让系统能够处置惩罚高区分率的科学图像 ，，，，，同时坚持合理的盘算本钱。。。。。。。
在训练战略方面 ，，，，，研究团队开发了奇异的"专家在环"数据生产流程。。。。。。。这种要领团结了自动化天生和人工质控的优势 ，，，，，既包管了数据规模 ，，，，，又确保了质量。。。。。。。系统首先使用合成要领天生大宗候选样本 ，，，，，然后通过置信度评估识别需要人工审核的样本。。。。。。。专家重点关注那些系统不确定的案例 ，，，，，既提高了标注效率 ，，，，，也改善了数据质量。。。。。。。
强化学习算法的选择也体现了手艺立异。。。。。。。古板的强化学习要领在处置惩罚长序列推理时往往效果不佳 ，，，，，容易泛起梯度爆炸或消逝的问题。。。。。。。Group Sequence Policy Optimization算法通过在序列层面举行主要性采样和截断 ，，，，，有用解决了这些手艺难题。。。。。。。这种要领让系统能够学习更重大的推理模式 ，，，，，爆发更准确和更连贯的推理历程。。。。。。。
奖励系统的设计也展现了精妙的工程思量。。。。。。。纯粹基于谜底准确性的奖励往往缺乏以作育优异的推理习惯。。。。。。。研究团队设计了条理化的奖励机制 ，，，，，既思量名堂规范性 ，，，，，也重视内容准确性。。。。。。。这种设计让系统不但学会了给出准确谜底 ，，，，，也学会了怎样清晰地表达推理历程。。。。。。。
在基础设施优化方面 ，，，，，异步强化学习框架的使用代表了对古板训练范式的主要刷新。。。。。。。古板的同步训练中 ，，，，，推理天生和模子更新必需按顺序举行 ，，，，，导致大宗的盘算资源闲置。。。。。。。异步框架将这两个历程疏散 ，，，，，让推理天生器一连爆发训练数据 ，，，，，而学习器并行举行模子更新。。。。。。。这种架构大幅提高了训练效率 ，，，，，镌汰了训练时间。。。。。。。
七、现实应用远景和社会影响
Innovator-VL的乐成不但是手艺层面的突破 ，，，，，更主要的是它为AI在科学研究和教育领域的应用开发了新的可能性。。。。。。。这种多模态明确能力就像给科学研究装上了智能助手 ，，，，，能够处置惩罚人类科学家一样平常事情中遇到的种种重大使命。。。。。。。
在科学研究方面 ，，，，，系统能够协助研究职员处置惩罚大宗的文献图表和实验数据。。。。。。。好比在化学领域 ，，，，，它能够识别息争析重大的分子结构图 ，，，，，明确化学反应机理 ，，，，，甚至协助设计新的合成路径。。。。。。。在生物学研究中 ，，，，，它能够剖析显微镜图像 ，，，，，识别细胞结构 ，，，，，明确生物历程的可视化体现。。。。。。。这些能力能够显著提高科学研究的效率 ，，，，，让研究职员从繁琐的图像处置惩罚事情中解放出来 ，，，，，专注于更高条理的科学思索。。。。。。。
教育领域是另一个主要的应用场景。。。。。。。Innovator-VL可以成为智能化的科学教学助手 ，，，，，资助学生明确重大的科学看法。。。。。。。当学生遇到难以明确的图表或实验效果时 ，，，，，系统能够提供详细的诠释和剖析。。。。。。。它还能够凭证学生的明确水平调解诠释的深度和方法 ，，，，，实现个性化的科学教育。。。。。。。
在工业应用方面 ，，，，，系统的多模态明确能力为智能制造和质量控制提供了新的可能性。。。。。。。在质料科学领域 ，，，，，它能够剖析电子显微镜图像 ，，，，，识别质料的微观结构特征 ，，，，，协助质料性能的展望和优化。。。。。。。在制药行业 ，，，，，它能够处置惩罚重大的分子数据 ，，，，，协助药物发明和开发历程。。。。。。。
更主要的是 ，，，，，Innovator-VL展示了怎样通过全心设计的训练战略 ，，，，，在有限资源下实现高质量的AI系统。。。。。。。这种要领论为资源有限的研究机构和生长中国家提供了可行的AI生长路径。。。。。。。不需要投入巨额资金和海量数据 ，，，，，也能够开发出具有适用价值的AI系统。。。。。。。
从更普遍的角度来看 ，，，，，这项研究推动了AI系统向越发专业化和适用化的偏向生长。。。。。。。古板的通用AI系统往往在特定领域体现平平 ，，，，，而专用系统又缺乏无邪性。。。。。。。Innovator-VL证实晰可以在坚持通用能力的同时 ，，，，，在特定领域实现突出体现。。。。。。。这种平衡为AI系统的现实应用提供了更好的选择。。。。。。。
研究的开放性也为整个AI社区带来了起劲影响。。。。。。。通过果真详细的手艺要领和训练数据 ，，，，，团队不但增进了手艺的撒播和刷新 ，，，，，也为AI研究的透明化和可重现性树立了标杆。。。。。。。这种做法有助于建设越发康健和可一连的AI研究生态。。。。。。。
结论部分 ，，，，，Innovator-VL项目展现了AI研究中一种令人鼓舞的新趋势：通详尽腻化的工程和开放的相助精神 ，，，，，纵然在资源有限的情形下也能创立出卓越的效果。。。。。。。这个项目就像一座桥梁 ，，，，，毗连了通用AI能力和专业科学应用之间的gap ，，，，，为AI手艺在科学研究和教育中的深度应用铺平了蹊径。。。。。。。
研究团队通过不到500万个全心策划的科学训练样本 ，，，，，就实现了与那些使用海量数据训练的系统相当甚至更优的性能。。。。。。。这个效果不但挑战了"数据越多越好"的古板看法 ，，，，，也为AI研究的未来生长提供了新的思绪。。。。。。。它告诉我们 ，，，，，智慧的设计和全心的执行往往比简朴的规模扩张更有用。。。。。。。
更值得赞美的是 ，，，，，整个项目秉持了开放科学的精神 ，，，，，将所有手艺细节、训练数据和评估要领完全果真。。。。。。。这种透明度不但有助于研究效果的验证和复现 ，，，，，也为其他研究者提供了名贵的参考。。。。。。。在AI研究日益商业化的今天 ，，，，，这种开放精神显得格外珍贵。。。。。。。
Innovator-VL的乐成证实 ，，，，，AI系统的价值不但在于手艺指标的突破 ，，，，，更在于其解决现实问题的能力。。。。。。。通过在科学明确和通用视觉能力之间找到完善平衡 ，，，，，这个系统为AI手艺在科学研究、教育和工业应用中的深入生长开发了新的蹊径。。。。。。。关于那些体贴AI手艺生长偏向的人来说 ，，，，，这个项目展示了一种越发可一连、越发务实的生长模式 ，，，，，值得深入思索和借鉴。。。。。。。有兴趣深入相识手艺细节的读者可以通过arXiv:2601.19325v1盘问完整论文。。。。。。。
Q&A
Q1：Innovator-VL和其他AI视觉系统有什么差别？？？？？
A：Innovator-VL最大的特点是既能处置惩罚一样平常视觉使命 ，，，，，又能明确重大的科学问题 ，，，，，并且只用了不到500万个全心挑选的科学训练样本就抵达了优异性能。。。。。。。大大都AI系统要么只善于通用使命 ，，，，，要么只专精某个科学领域 ，，，，，很少能在两方面都体现精彩。。。。。。。
Q2：通俗人能使用Innovator-VL吗？？？？？
A：现在Innovator-VL主要面向科研和教育领域的专业应用 ，，，，，研究团队已经完全果真了手艺细节和训练代码。。。。。。。虽然通俗用户还无法直接使用 ，，，，，但这项手艺未来可能会集成到教育软件、科学工具等应用中 ，，，，，资助学生明确科学看法或协助研究职员剖析科学数据。。。。。。。
Q3：为什么Innovator-VL能用更少的数据抵达更好效果？？？？？
A：要害在于"质量胜过数目"盛源衣饰制造有限公司的训练战略。。。。。。。研究团队建设了"专家在环"的数据生产流程 ，，，，，每个科学样本都经由专家全心审核和优化。。。。。。。同时接纳了差别驱动选择和强化学习等先进训练要领 ，，，，，针对系统的薄弱环节举行精准训练 ，，，，，阻止了海量低质量数据带来的噪音滋扰。。。。。。。