为了解决低代码使用门槛太高，效率低的问题，2023年 CodeWave 相继完成了多种低代码 + AIGC 能力的研发，并成功商业交付了多个项目，但交付过程中发现，私有化模型的能力与 GPT 差距较大，且难以量化 AI 提效结果，同时 D2C 也面临识别准确率不高，难以商业化交付的问题。

本次演讲从提升 CodeWave AIGC 的商业化可交付能力入手，如何数据化的度量现有AI效果，分析现有能力瓶颈，并基于量化数据，构建并训练自定义的语言模型，建立 AI 工程化体系，同时如何结合多模态大模型能力及 Pipeline 架构来重塑 D2C 技术，希望能给各位听众带来度量和提升 AIGC 能力最佳实践的启示。

演讲提纲

1. 现状及问题分析

展示低代码 + AIGC 的思路及目前存在的问题：低代码 + AIGC 效果不及预期，难以度量

思考过程：

• 深入自然语言编程的产品技术能力，发现准确率上不去的原因

• 保证核心场景的准确率，提升低代码编程的体验，保证 AI 能力可度量，可量化

2. 数据驱动的 AI 工程建设

• 设计并通过 Benchmark 来评测 AI 基础能力

  • 建立 AI 提效的量化标准

  • 工程化平台的建设及基于评测结果的持续迭代

• 更好的架构支持-私有化和 SaaS 架构统一

3. 训练更好的语言模型

• NASL 语言介绍

• 思考语言能力的瓶颈在哪

• 提升语言本身的能力

• 设计更好的训练方式来 fine tune 模型

4. 如何设计更好的 D2C 能力

• D2C 技术的局限性

• 技术架构：基于多模态模型的 pipeline 架构介绍

• 增强 benchmark：保证页面还原场景的可验证性

• 设计稿规范和插件预检

• 多模态模型再训练的支持

5. 总结和展望

您认为，这样的技术在实践过程中有哪些痛点？

• 为语言模型准备合适的语料较困难，开源也没有合适的数据集

• 构建一个权威的 benchmark 成本高，业内缺乏  Web 侧实用的 benchmark

• D2C 能力的实用化需要依赖对多模态模型的足够了解

演讲亮点

• 训练一个自定义语言、DSL 的语言大模型的完整过程

• 成体系量化一个 AI 产品的提效数据

• 基于多模态大模型的，成熟可交付的商业 D2C 产品的技术架构

听众收益

• 量化并提升 AI 产品的效果

• 构建并训练开源私有化模型实现 ToB 商业交付

• 多模态大模型在 D2C 产品上的最佳实践