NTT发布少量数据训练专用大模型技术，正确率达83.1%

日本NTT公司于2026年11月12日宣布，开发出一种新的调优（tuning）技术，可以让大语言模型（LLM）掌握企业业务手册中的知识。根据NTT的新闻稿，这种方法让LLM自己从多个角度生成学习数据，因此无需收集海量文档，就能做出具备特定业务知识的专用LLM。据AI Watch报道，在NTT自研模型tsuzumi 2上的验证中，正确率达到83.1%。

为什么传统调优难以用于企业的少量数据？

调优是指让现有的LLM适应特定用途或任务的调整工作。据INTERNET Watch报道，要让模型记住与业务相关的知识，以往需要极其庞大的数据，而企业手中的文档量远远不够。NTT的新闻稿指出，一页A4文本只有几千字节，而对整个模型重新训练的常见方法，需要超过数十GB的数据。

据AI Watch介绍，企业在实际工作中持有的资料，大约是1000份PDF，每份最多约100页。该媒体称，把这样少量的文本简单重复训练，会导致过拟合：模型只记住条文编号或固定措辞，一旦换个语境提问就答不上来。NTT还表示，用互联网上的类似信息来补充，容易混入与业务无关的噪声，也很难整理出高质量的数据集。

LLM如何自己制作学习教材？

NTT从人类在学校里的学习方式中得到启发。据新闻稿介绍，上语文课时，人们不只是读文章，还要回答关于作者意图的问题，并与同学交流感想。这项技术沿用同样的思路：让LLM扮演学习教材的编写者，根据业务手册生成多样的学习数据，再用这些数据来学习。

AI Watch列出了三种生成的数据形式：

• FAQ形式：把手册内容改写成以实际咨询为设想的问答；
• 表格形式：整理并结构化多个条件或期限；
• 对话形式：通过学生与老师的对话，深入挖掘业务的背景和意图。

同样据AI Watch，数据生成引擎本身也使用tsuzumi，能从少量原始数据生成数十亿到百亿token规模的训练数据（token是LLM处理文本的基本单位）。NTT表示，该技术不仅适用于tsuzumi，也可用于其他LLM。

83.1%这个数字有多可信？

NTT用真实的业务手册测量知识掌握程度：针对手册记载范围出题让模型作答，再比较正确率。据新闻稿，tsuzumi 2学习前的正确率为65.3%；以其他角度改写文本的先行研究最高只到73.3%；而新技术达到了83.1%，比先行研究高出近10个百分点。

NTT也测试了更轻量的模型。据AI Watch报道，Llama 3（3B）的正确率从约25%提高到50%后半（接近60%），并持续优于既有方法。该媒体还称，在通用领域基准测试中，注入专业知识后模型的基础能力没有下降。需要保留一点：选择题由NTT自己设计，AI Watch解释说，这是因为不存在衡量单个企业专有知识的通用基准。因此这些是NTT自己的数据，在已读文章中没有看到第三方复现的说明。

应该选RAG还是专用模型？

在利用企业内部文档时，先检索相关段落再作答的检索增强生成（RAG）应用广泛。AI Watch转述了NTT负责人的看法：在绝对准确性优先的场合，建议使用RAG；而在呼叫中心实时分析大量通话这类需要极快响应的业务中，外部检索会带来延迟，还要并行准备多个模型和GPU，运营成本随之升高。把知识直接固化在模型里，则响应更快，所需GPU也更少。

据同一来源，这项技术并不排斥RAG，两者可以并用；模型自身具备行业和企业内部的背景知识，也能提高RAG的检索精度。目标领域包括日本规则和手续严格的医疗与金融，以及专业术语众多的制造业。

何时提供？对中国企业意味着什么？

据新闻稿，这项技术将导入NTT集团各公司。AI Watch称，NTT正在验证的方案之一是云端托管服务：需要大量GPU的训练在NTT集团的数据中心完成，再把调优后的模型交还给客户。已读文章中没有给出价格和上市时间。成果将在11月18日至25日于东京武藏野市的NTT武藏野研发中心举行的NTT R&D FORUM 2026上展出，据AI Watch，届时还将公布“自我进化型tsuzumi”的构想。

对中国企业来说，启示主要在方法上。如果企业的业务资料只有大约一千份文档，让模型自己编写问答、表格和对话作为教材，也许能让此前因数据不足而放弃的专用模型变得可行。已读文章没有提到日本以外的提供情况，成果也仍是NTT自己的数据，稳妥的做法是先用自家文档和自家问题测一测正确率，再决定RAG与调优模型之间如何分工。