既然不能去现场，我就复盘了 OpenAI DevDay 的每一张 PPT。这玩意儿现在比追剧还费劲，得用爬虫把官方视频流扒下来，一帧一帧截，再用 OCR 把模糊的代码块抠出来。妈的，以前做 SEO 搞内容农场都没这么累，现在为了搞懂别人家的 API 更新，得先当一回黑客。
凌晨两点半，AWS 的账单提醒又弹出来了。今天光是为了跑通那个新的 CLIP 对比学习微调，就烧了快两百刀。我盯着控制台里那个 GPU 实例的运行时间，心里在算一笔账：一个 epoch 大概要 1.2 个 GPU Hour，按 p3.2xlarge 算，就是 3.06 美元。我的数据集有 15 万张图，分 10 个 epoch 跑完，光训练成本就是 367 块。这还没算预处理时调用 OpenAI 的 API 给图片打标签的钱，一张图平均 0.0015 美元，15 万张又是 225 刀。加起来小六百美元，就为了把识别准确率从 92.3% 提到 94.1%。值吗？客户不会为这 1.8 个百分点的提升多付一毛钱，但我要是没有这 1.8%，下次竞标连门都进不去。
团队解散后，这种成本核算变得病态般精确。以前带人时，只管催进度，谁关心底层用了多少算力？现在每一分钱都从自己口袋里掏，每一个 Token 的消耗都像在割肉。DevDay 上那些工程师轻描淡写地说“我们优化了推理效率”，背后是无数像我这样的人，在深夜里反复调整 batch size，就为了把显存占用压到 80% 以下，避免 OOM 导致整个任务重启。重启一次，就是半小时的 GPU 时间白烧。
最磨人的不是写代码，是等。模型导出成 ONNX 格式，进度条卡在 87% 已经二十分钟了。屏幕幽幽的光映在墙上，屋里只有风扇的噪音。这种时候你会想很多，想 2018 年熬夜写爬虫对抗反爬，那时候焦虑的是 IP 被封、是 DOM 树解析失败；现在焦虑的是矩阵维度对不上、是梯度爆炸。技术栈换了一茬又一茬，这种悬在半空等结果的感觉，从来没变过。你明明知道机器在干活，但你什么也做不了，只能干等，像个守着产房门外的新手父亲，但生出来的可能是个怪胎。
PPT 里有一页讲他们怎么用 RLHF 对齐模型输出，我盯着那张简化过的流程图看了半小时。它把人类反馈标注说得像流水线作业一样轻松，可现实是，我上哪儿找稳定、便宜且懂行的标注员？最后还不是自己上，对着成千上万条生成结果，一条条打标“好”或“坏”，做得眼睛发花，感觉自己就是个高级富士康工人。所谓的“超级个体”，很多时候就是一个人活成一支队伍，兼项目经理、架构师、标注员和运维。
导出终于完成了。测试脚本跑起来，新模型在验证集上的准确率数字跳了出来：94.1%。和预估一模一样。没有惊喜，只有一种“钱没白烧”的虚脱感。我把最终成本、耗时和性能提升做成一张极简的表格，存进笔记。这就是我的 DevDay 复盘，没有现场的热闹和掌声，只有一行行冰冷的数字，和深夜里与云服务器的一次次孤独对谈。明天，还得用这个模型，去解决客户那个“简单”的图片分类需求。
