这是我的第一篇 Blog，想先记录一下自己目前对技术方向和就业选择的判断。
这些想法很大一部分来自最近读到的博客，再结合我自己的经历和现实条件，慢慢形成了现在的选择。它们还只是阶段性的判断，以后有了更多实践，我也可能会调整。
先从数据生产切入
以我目前 211 本科的背景，直接进入大模型训练岗位，对我来说难度比较大。所以，我现在瞄准的一个方向是做数据。
“做数据”是一个很笼统的说法。更具体一点，我想做的是后训练数据的生产：围绕具体任务，构建能够用于模型训练的数据，比如长程 Coding 任务（编程任务）相关的数据。
但越往下想，我越觉得，数据生产和评测是分不开的。
数据好不好，最终要看它带来了什么
如果要生产高质量的数据，就一定会涉及数据评测，以及模型能力的评测。
一份数据能不能喂给模型做后训练，不能只看它表面上是否完整、是否像一个好样本。更关键的问题是：模型接受这些数据的训练之后，在我们关心的任务上，能力究竟是变强了，还是变弱了？
我希望自己能够用可量化的方式去评估这个变化。如果数据加入训练后，反而让模型表现变差，那么这份数据就没有起到预期的作用，甚至可能带来负面影响。
所以，在我目前的理解里，做数据不只是把数据生产出来，还需要有能力判断它的质量，并验证它对模型到底有没有帮助。
这个方向也给了我更多就业入口
我关注这个方向，还有一个很现实的原因：就业机会。
根据我最近读到的信息，我理解这类需求不仅存在于头部大模型公司的内部，也存在于一些专门提供后训练数据的外部公司，也就是数据厂商。
这些公司有机会面向多个模型团队提供数据和服务，不必只依赖单一客户。对我来说，这意味着除了直接进入大模型公司，也可以考虑先进入这类规模较小、业务更聚焦的团队，去做数据生产和评测相关的工作。
这也是我目前给自己选择这个方向的一个重要理由。
Infra 方面，我目前还有算力上的现实限制
我之前也关注 Infra，但目前一个很直接的限制是：我没有能够稳定、方便地使用的 GPU 资源。
即便身边的环境里有一些阿里的算力资源，也不意味着我可以自由使用。实际申请和使用起来并不方便，很难把它当成自己随时可以拿来做实验的条件。
因此，现阶段我想先把重心放在后训练数据的生产与评测上。这是我结合自己的背景、能接触到的资源，以及目前对就业机会的理解，做出的一个选择。先沿着这个方向实践，再用实际经历修正自己的判断。