关键观点
模型研发首先是工程系统问题Poolside把模型构建视为一个从原始数据到预训练、后训练和强化学习的工业化流程，而不是孤立的算法突破。研究人员的大量时间用于写代码、处理数据、运行实验和检查结果，因此基础设施直接决定研究吞吐量。其模型工厂由数千个组件构成，优化目标是缩短“研究想法到可信实验结果，再到下一次训练”的时间。团队每月运行约一万至两万个实验，使可靠性、追踪能力和自动化成为研究能力本身。
Poolside把模型构建视为一个从原始数据到预训练、后训练和强化学习的工业化流程，而不是孤立的算法突破。研究人员的大量时间用于写代码、处理数据、运行实验和检查结果，因此基础设施直接决定研究吞吐量。其模型工厂由数千个组件构成，优化目标是缩短“研究想法到可信实验结果，再到下一次训练”的时间。团队每月运行约一万至两万个实验，使可靠性、追踪能力和自动化成为研究能力本身。
为什么重要: 前沿竞争的真实壁垒不只是GPU或论文创意，而是能否持续、可靠地把大量实验转化为模型改进。
支撑证据
our view from very early on in the company was that model building is ultimately 90% engineering.
模型只是流程的阶段性产物Poolside不把单个模型发布视为最终成果，而把它看作模型工厂在某个时间点生成的制品。Laguna XS2从预训练开始到发布用了五周，后续模型约八周，团队完成一个版本的后训练后立即将算力转向下一轮。最新实验甚至可以在下一次训练启动前一天进入正式运行。高频训练减少了半年一次大版本中多个变量混杂的问题，使团队更容易识别真正有效的改动。