通用語言模型雖然功能強大，但面對各地不同語言、文化與政策時，有時會缺乏本地知識與文化細膩度。NVIDIA 近日透過技術博客分享，如何利用後訓練（post-training，即針對特定任務或領域對已訓練完成的模型進行進一步微調）開放模型 Nemotron，使其能夠掌握本地規則，而唔止係識講當地語言。
後訓練係配合適當數據同評估流程，提升模型準確度與實用性，同時支持更安全嘅互動。NVIDIA 強調呢個做法可以畀各國同各行業對代理（agent）如何反映本地優先事項有更大控制權。
同法國 AI 初創公司 Pleias 同比利時大學 KU Leuven 合作，NVIDIA 已建立 Nemotron-Personas-France 同 Nemotron-Personas-Belgium 數據集。呢兩套數據集屬於開放嘅 NVIDIA Nemotron 數據計劃，內含 12 個國家嘅本地化 persona 數據集，開發者可以按市場逐個微調開放模型。
以法國護照申請為例，若用家向代理提問因健康原因唔能夠出行點樣申請護照，未經後訓練嘅基礎模型可能建議透過郵寄申請，但實際政府規定必須由官員上門處理，郵寄唔獲接受。透過配合當地 persona 數據集進行後訓練，模型可以生成更符合本地實際流程嘅回覆。
每個 persona 都係根據當地人口統計、地理、語言同文化分佈建立嘅合成居民。以法國為例，當地 persona 包括年齡、公社、職業同家庭狀況，並依據法國普查數據編排，同時附有該人物工作同日常生活嘅書面簡介。呢種細緻化影響到人物會問乜嘢問題、點樣問，甚至改變正確答案——例如法屬圭亞那居民護照印花費為 43 歐元，而本土法國則為 86 歐元。
呢個技術流程同樣適用於其他 Nemotron-Personas 市場。以比利時為例，其數據集涵蓋荷蘭語、法語、德語同英語。開發者只需更換對應嘅 persona 數據集，更新行為契約同審查員，其餘工作流程保持一致。
透過呢套系統生成嘅合成對話可用於後訓練，涵蓋更多目標用户群，改善模型理解力。每條答案嘅事實均來自官方流程文件，同 persona 配對使用。
模姐驗嚇貨：呢個後訓練框架嘅核心價值，在於將通用模型「地方化」，令其真正理解當地行政制度同公民生活。相比簡單翻譯或表面多語言支持，persona 數據集將人口統計數據同真實政策文件結合，令模型生成嘅建議有實際依據。但要注意，呢套系統仍然依賴官方文件嘅準確性同時效性，當地政策變化後，模型需要重新微調。對開發者而言，12 國 persona 數據集嘅公開，降低咗本地化部署嘅門檻，但同時間亦帶來數據治理同隱私保護嘅新議題。
模姐｜深度調教
