周五，周昀和汇金的人正式签订了预研项目合同，只要预研项目能够达到预期标准，那接下来就是真正的大项目。
双方通过一周的时间，沟通了需求还有汇金需要提供的资源。
汇金的需求很简单，之前就已经谈的差不多了，现在只是更加明确一点，
他们需要的是一个能够预测某只单一股票的模型，消耗资源要尽可能少，准确率要尽可能高，这也是后续他们为周昀提供多少支持的重要依据。
至于资源方面，财大气粗的汇金提供了64张H100的显卡集群，还有相互配套的处理器和内存，其价值已经超过了千万。
因为说是预研项目，但其实除了在数据量和模型架构上有所阉割之外，现在要做的版本和最终版本在最核心的东西上是差不多的。
毕竟只要能精准预测一支股票，就能精准预测无数支，两者之间无非就是数据量上的差别。
汇金显然知道其中的难度，所以才会这么大方。
在周昀的预估中，这些资源应该是绰绰有余的，因为他研究的模型在算力的消耗上本就比市面上的同类型模型要低。
汇金还支付了周昀一个月两万的劳务费，按照合同，他需要在一年之内完成预研项目，如果失败了，他就要加入汇金。
按理来说，这种大项目，这样的验收时间并不算富裕，不过周昀有信心一年之内搞定。
实验室里，周昀并没有第一时间就开始设计方案，反倒是开始看起了论文。
因为不管是前世还是现在，他接触的都是“小模型”，这里的小模型指的是LSTM、CNN、FCN这种结构单一，参数量不大的轻量级神经网络。
而他现在要做的项目则需要用到真正意义上的多模态大模型，这种大模型现在普遍都是基于Transformer架构，
虽然Transformer非常厉害，但是也有一个缺点，因为他的主要核心Attention也就是注意力机制，
这种算法的时间复杂度复杂度是O（n^2），所以需要的计算量非常大，这也是为什么现在市面上的大模型训练需要的显卡都是几千几万张。
大模型和小模型之间除了算力消耗和成本上有着巨大差异，在整体架构上也有着明显的差异。
一个小模型可能只需要几百行代码就能完整的写出来，然后开始运行。
而一个真正意义上的大模型想要正常运行，除了其核心代
本章未完，请点击下一页继续阅读！