人工智能中间训练不是预训练的后半段，也不是对齐。它停在两段之间，把数据配比从又宽又杂，逐渐收向更高质量、更偏某个领域、更像指令或推理的材料。继续预训练是从已有检查点接着练，目标往往是把模型收进一个领域。拉长上下文又是另一段：先在短序列上练完，再专门把序列拉长。三段共用一条损失曲线，停点一定会写错。

人工智能训练痛点在用一条下降曲线盖住三次改配比

预训练看的是大而杂的材料上，预测是否还在变好。中间这段看的是配比正在被改：高质量材料的比例升了多少、领域材料何时进入、指令式材料占到多少才停。继续预训练看的是另一件事：拿别人或自己已经练完的检查点，往一个应用上再灌数据。目标变了，曲线还在下降，只能说明新数据上更熟，不能说明旧的通用能力还在，更不能说明已经对齐。

拉长上下文如果和主训练揉在一起，短序列还没稳住就上长序列，算力和不稳都会被记成「模型变强」。正确的顺序是短序列阶段先有完成标准，长序列阶段单独记能稳住的长度、以及短题有没有变差。长度数字上升、短题掉分，这一段失败。

配比改动最容易被写成「加了点好数据」。加是瞬间，收是一条时间表。哪一周把哪一类比例从多少调到多少，必须留行。没有时间表的退火，事后无法判断是数据救了模型，还是模型只是在新分布上过拟合。原分布上的保留题要在每次改配比之后重跑。掉分超过事先的线，继续收配比必须停。

人工智能阶段验收五步：三段分开、配比留时间表、通用题回测、短序列先完成、特化分不得单独报

1. 预训练、中间训练、继续预训练、拉长上下文，禁止共用一个阶段名和一个停点。
2. 每次改配比写下日期、哪一类比例、从多少到多少。没有这行，不算做过中间训练。
3. 原分布保留题在改配比之后重跑。掉分超线，停止继续收。
4. 拉长上下文之前，短序列阶段必须已完成。短题变差则长序列阶段失败。
5. 领域分上升而通用分下降，禁止写成全面变强。

上表把「还在降」从「降在哪」里拆出来。不拆，停点只是感觉。

人工智能现场怎么记这一段

训练单首页只有四格：阶段名、本阶段数据配比、停点标准、对上一阶段保留题的差。阶段名写成「继续训练」这种含混词的，整单退回。停点必须是一句可核对的话，例如原分布掉分不超过事先的线，而不是「看情况」。看情况的单子不能开跑。

配比时间表贴在日志里，不贴在事后回顾里。事后补的比例，按未记录。评审只认当时写下的行。领域测验若要对外说，同一页必须有通用测验。只有领域页的材料，标题改成「领域更熟」，禁止出现「更强」。

拉长上下文的评审先看短序列完成记录，再看长度。没有前一份记录，长度数字不作数。我们见过周报用最终长度代替全部阶段，短题其实在加长的那一周掉了一截，掉分没有单独的行，发布说明仍写能力提升。

人工智能常见翻车是检查点名字没变、数据已经换了

检查点沿用预训练的名字，数据已经换成领域和指令的混合。曲线连续，阶段并不连续。后来的人会用这条曲线去估还要多少通用数据，估出来的是错的账。

另一类翻车是把对齐分数的上升算进中间这段。对齐是后面的阶段。中间这段只允许报告配比和保留题。对齐分数写进来，两段的功劳就分不清，停错阶段时也找不到是哪一次改配比造成的。

检查点编号也要随阶段变。编号不变，后来的人会把中间这段的权重当成预训练成品去继续对齐，原分布已经偏了也不知道。编号规则写在阶段单上：阶段名变一次，编号至少升一截。升了编号却没写配比的，按假阶段，不能进入模型库。

结论：人工智能中间这段要单独记账，不能挂在预训练的尾巴上

配比在收、领域在灌、序列在拉长，是三件不同的事。每一件都要自己的停点，以及原分布还在不在。

你下次报训练还在变好，先写阶段名、配比时间表、原分布保留题的差。三格空着，这条曲线先不要并进主结论。

本文侧重全链路风控方法论。落地时请用自身业务单据做回放验证，不要把示例阈值直接当生产策略。 相关：风控体检 · 方案资源