이미지: X — 뉴스 앰프 화면 갈무리
摘要
- Oumi推出了一个开发平台，让LLM能够持续从自身的生产流量中学习
- 该平台形成了一个循环结构：模型对自身输出进行评估，并将评估结果合成为数据，用于自我再训练
- Oumi表示，通过这种方式打造的专用模型在特定任务上的运行成本比前沿模型低10到100倍
- 발표
- Oumi, 새 개발 플랫폼 공개 (X 게시 2026-08-11, TestingCatalog)
- 핵심 기능
- 자체 평가 순환 → 데이터 합성 → 자가 재학습 루프
- 비용 주장
- 좁은 태스크 한정, 프론티어 모델 대비 10~100배 저렴
- 소유권
- 학습된 모델의 가중치는 사용자 소유
- 지원 범위
- 데이터 합성, 평가, 모델 학습, 배포까지 한 플랫폼에서 처리
生产日志本身即成为训练数据
Oumi公布了一个全新的开发平台。其核心在于让LLM以实际服务中积累的流量——也就是用户实际发出的请求与获得的响应——为素材持续进行学习。模型会对自己的回答进行自我评估，从评估过程中发现的数据会被重新合成为训练数据，随后用这些数据进行再训练。这三个阶段被整合为一个循环结构，是本次发布的核心内容。Oumi方面表示，由此打造出的专用模型在特定范围的任务上，运行成本比前沿模型低10倍到100倍。据介绍，训练得到的权重完全由用户自行拥有，从数据合成、评估、训练到部署的整个流程都可以在该平台内完成。
这是什么意思
迄今为止,企业针对特定业务定制LLM主要有两种方式。一种是通过提示词或检索增强生成（RAG）临时引导大模型；另一种是对公开的基础模型进行微调，另行打造专用小模型。Oumi瞄准的正是将后者实现自动化的环节。也就是说,不再由人工收集和标注数据后进行再训练,而是让模型自行对实际使用日志打分,并用合成数据填补不足之处后再进行训练,形成一个循环。这与近期开源阵营中不断出现的趋势相呼应。8月11日发布的Unsloth Desktop推出了一款可在本地环境中同时支持模型运行与训练的开源应用；同日披露的AISquared与Domyn案例则表示，通过对Ai2的Olmo系列模型进行微调，将自建基础设施的托管成本降低了一半。这些迹象表明，重心正从依赖单一前沿模型处理所有任务，转向以低成本持续运行针对特定业务定制的小型模型。不过，本次发布仅限于X平台上的一篇简短介绍，循环训练的具体算法，以及以何种基准测算出10到100倍的成本节省，均尚未得到确认。
这会带来什么变化
如果企业能够将自身服务日志直接转化为训练素材，那么“模型必须持续依赖人工调整”这一前提就会被打破。运营服务本身就会成为训练模型的过程。Oumi同时提供了指南，方便用户直接测试该平台，但这种自我学习循环在实际中究竟能多稳定地运行、是否存在错误自我放大等副作用，仍需更多案例积累才能判断。
