NVIDIA把供应链专家经验训练进模型，关键不是换一个更大模型
内容提要
NVIDIA供应链案例表明，专用30B模型经专家决策轨迹训练后，在内部基准上超越更大通用模型。关键在于记录专家决策时的所见、理由与结果，并避免数据泄漏。企业应先设计决策记录与评测集，再考虑微调，适用于重复、可观察、有规律的任务。
延伸解读
决策轨迹：企业AI的隐藏资产
NVIDIA案例显示，专用模型成功的关键在于记录了专家决策时的所见、理由与结果。传统企业数据只保存结果，而模型要学习专家判断，必须保存决策发生时的证据、备选方案和后续结果。否则模型只能看到“做了A”，不知道当时为什么没有做B。这种决策轨迹数据既能用于复盘，也能成为未来模型的评测集。
小模型为何能在特定任务上胜出
通用模型拥有广泛知识，却不了解一家公司的部件编码、制造约束和隐性决策习惯。专用模型参数更少，但任务边界更窄，训练样本更接近真实输入和评价标准。它不是整体更聪明，而是在一条明确跑道上接受了针对性训练。NVIDIA的30B模型在内部基准上超过更大通用模型，正说明了这一点。
评测陷阱：时间切分与数据泄漏
评测专用模型时，必须避免数据泄漏。回放历史决策时，只给模型当时已知的信息，并隐藏未来结果。此外，评测应按时间切分，而不是随机打乱历史记录。相邻几周的供应链状态非常相似，随机划分可能让训练集和测试集包含几乎相同的局面，得到虚高分数。更可信的方法是用较早时期训练，用完整的后续时期测试。
实践起点：先设计决策记录，再考虑微调
企业AI项目的第一步不应是采购训练集群，而是设计决策记录。让专家在工作过程中以低摩擦方式留下“输入、决定、理由、结果”。团队可以先做一个不训练模型的版本：选择每周重复出现的一类决策，连续记录四周的输入、备选项、决定和理由，事后补充结果但保留当时信息快照，用旧案例测试通用模型并让专家盲评建议。只有当错误模式稳定、数据足够一致时，再考虑后训练。
Q&A
NVIDIA供应链案例中，专用30B模型在内部基准上的表现如何？
专用模型在内部开发基准上达到86.7%的分配决策准确率，比更大的Nemotron 3 Ultra高31.2个百分点。该数字来自特定内部任务，不能外推为通用模型能力排名。
为什么小模型可能比大模型更适合企业特定任务？
通用模型拥有广泛知识，却不了解一家公司的部件编码、制造约束和隐性决策习惯。专用模型参数更少，但任务边界更窄，训练样本更接近真实输入和评价标准，是在一条明确跑道上接受了针对性训练。
企业要训练专家决策模型，需要记录哪些关键数据？
需要记录决策发生时可见的证据、选择理由、备选方案、置信度和后续真实结果，而不仅仅是保存结果数据。这样才能让模型学习专家判断，而不仅仅是复制历史操作。
如何避免在训练专用模型时出现数据泄漏？
回放历史决策时，只给模型当时已经知道的信息，并隐藏未来结果，再比较模型建议、专家判断和实际表现。评测还应按时间切分，用较早时期训练，用完整的后续时期测试。
这套专家经验训练方法适合哪些类型的任务？
适合重复发生、结果可以观察、专家判断有规律可循的任务，例如库存分配、设备维护优先级和风险审核。不适合样本极少、结果多年后才出现，或价值判断无法压缩成统一正确答案的决策。
企业实施AI项目时，第一步应该做什么？
第一步不应是采购训练集群，而是设计决策记录。让专家在工作过程中以低摩擦方式留下“输入、决定、理由、结果”，这份数据既能用于复盘，也能成为未来模型的评测集。
