当晚，徐辰收到张乐阳发来的消息，语音里透着掩饰不住的兴奋，甚至连称呼都变了：

“徐神！搞定了！彻底收敛了！精度比我们预期的还要高两个百分点！老板刚才看了结果，高兴得差点没把桌子拍碎，直夸我们这次效率高！我跟老板提了一嘴是您帮忙改的算法，老板说改天一定要请您吃饭！”

紧接着，是一张截图。

图片上是校级计算中心的任务队列管理界面。

“我跟中心那边打好招呼了，我们课题组的账号权限已经给你开通了。这是ssh密钥和ip地址。你直接远程登录就行，不用再跑一趟了。现在四张a100全空着，优先级调到了最高，你随便造！”

“谢了，学长。”

徐辰回了个抱拳的表情。

这个忙也不算白帮，几个小时前，他还得排队填表看人脸色；现在，他手里握着物理学院国家重点项目的算力通道，享受着vip级别的待遇。

……

徐辰打开终端，输入指令，连接服务器。

“来吧，laart，让我看看你的成色。”

他敲下了那行早已准备好的指令。

运行！

……

这个阶段是ai的训练阶段，在这个阶段，模型需要通过海量的文本数据，学习语的语法、词汇之间的关联，以及基础的世界知识。

风扇的轰鸣声仿佛透过网络传了过来。

屏幕上，一行行日志开始飞速滚动。

epoch1100|loss2.4582|accuracy12.4%

epoch2100|loss1.8923|accuracy28.7%...

起初，loss曲线的下降并不算快，这在徐辰的预料之中。因为laart模型引入了复杂的几何约束，模型在初期需要花费大量时间去“寻找”那些逻辑盒子在向量空间中的正确位置。

这就像是在玩拼图，刚开始总是最慢的。

徐辰没有盯着屏幕发呆，他起身给自己泡了杯咖啡，顺便看了会美剧。

两个小时后。

当他再次回到屏幕前时，终端里的数据已经发生了翻天覆地的变化。

epoch50100|loss0.1245|accuracy94.2%

“收敛速度比预想的要快。”

徐辰眉毛一挑。

普通的transformer模型在处理逻辑推理任务时，往往需要海量的数据“喂”进去，靠概率去“蒙”出逻辑关系，所以收敛极慢，且很容易过拟合。

但laart不一样。

它的“逻辑门控单元”就像是一个严厉的老师，一旦模型试图“瞎蒙”，就会被几何约束狠狠地惩罚。这迫使模型必须去学习真正的因果链条，而不是统计规律。

“差不多了。”

徐辰终止了训练，保存了模型权重。

……

接下来，是见证奇迹的时刻――推理测试。也就是看一下刚刚训练好的ai在实际推理上的成绩怎么样。

他打开了那个专门用来测试逻辑能力的clutrr数据集，随机抽取了一道题输入模型。

context（上下文）：“爱丽丝的丈夫是鲍勃。鲍勃的女儿是克莱尔。克莱尔的哥哥是大卫。大卫的儿子是艾瑞克。”

question（问题）：“爱丽丝是艾瑞克的什么人？”

徐辰按下了回车。

这个问题，在2025年的今天，如果你扔给chatgpt或者deepseek，它们一定能秒回正确答案。

但这并不意味着这个问题简单。

现在的大模型能答对，是科技巨头们“力大砖飞”的结果。他们把参数量堆到了万亿级别，把全人类的互联网数据都喂了进去。它们答对，是因为它们“背”过类似的题，或者靠海量的参数强行记住了概率分布。

而徐辰现在跑的这个slrm模块的demo，是个什么水平？

它是一个参数量只有几千万、训练数据仅限于clutrr自带的几十兆文本、没有经过任何大规模预训练的“婴儿模型”。

如果让同样规模的传统transformer模型来做这道题，大概率就是一个废话生成器。要知道gpt-1的参数量都有1.2亿个，在当时，这种体量的模型仅仅被视为文字接龙工具，根本谈不上逻辑推理。

……

屏幕上光标闪烁了0.1秒，就弹出了结果。

回答grandmother(祖母)

逻辑路径爱丽丝-＞(妻子)-＞鲍勃-＞(女儿)-＞克莱尔-＞（哥哥）-＞大卫-＞（儿子）-＞艾瑞克.

“漂亮！”

徐辰打了个响指。

不仅仅是答案正确，更重要的是那个逻辑路径。这说明模型不是在“猜”，而是在那个高维的几何空间里，真正地构建出了人物关系图谱，并通过向量运算，一步步推导出了结果！

……

但这只是单例测试，说明不了大问题。真正的考验，是全量数据集的泛化能力测试。

他首先进行了离线测试。也就是用clutrr数据集中，预先划分好的“验证集”来跑分。这部分数据模型在训练时是没见过的，可以初步检验模型的泛化能力。