這項由北京人工智慧研究院（BAAI）、北京熱力集團有限責任公司（BDHG）與北京郵電大學（BUPT）聯合開展的研究，於2026年8月發表在arXiv預印本平台，編號為arXiv:2608.01862v1。感興趣的讀者可以通過該編號查閱完整論文。
**研究背景：當通用AI遇上企業內部的"秘密檔案室"**
每家企業都有一座"秘密檔案室"——裡面裝滿了內部操作規程、技術標準、管理政策，以及各類專有知識文件。這些內容從未出現在公開的網際網路上，因此那些用海量公開數據訓練出來的通用AI助手，對這些內容一無所知。當員工向AI提問"我們公司供熱系統的緊急停機操作規程是什麼"時，再聰明的通用AI也只能搖頭說不知道。
這個問題並不小眾。幾乎所有擁有內部知識體系的企業，都面臨同樣的困境：如何讓AI真正掌握企業的"私房知識"，同時又不變成一個只懂本行業、其他什麼都不會的偏科選手？
北京人工智慧研究院的研究團隊為此開發了一套名為"Wnuan"（暖暖
）的系統，並設計了一套分三步走的訓練方案。這套方案在707道企業知識問答題上進行了測試，結果顯示，模型給出可接受答案的比率從訓練前的52.76%一路攀升到91.51%，超過了所有被納入對比的市面頂級商業AI接口。
**一、什麼叫"可接受答案率"，為什麼它是衡量標準**
在正式介紹這三步方案之前，有必要先解釋一個貫穿全文的核心指標——"可接受答案率"（AAR）。
企業知識問答的答案往往很複雜，不像考數學題那樣非對即錯。一道關於操作規程的題目，AI可能答出了80%的要點，卻遺漏了一個關鍵條件；也可能答出的內容完全正確，但不夠完整。為了處理這種"半對不對"的情況，研究團隊將模型的回答劃分為三類：完全正確、部分正確、完全錯誤。"可接受答案率"把前兩類合併計算，統計模型給出至少部分正確答案的比例。
這個指標之所以重要，是因為在實際企業應用中，一個能給出正確方向、需要人工補充細節的答案，遠比一個完全答錯或拒絕回答要有價值得多。整個研究都以這個指標為核心評判依據。
**二、第一步：把企業文件變成"可學習的練習題"**
煉金的第一步，是把那座"秘密檔案室"里的文件，變成AI能從中學習的素材。
原始企業文件大多是Word文檔或PDF，裡面全是大段大段的說明文字，就像教科書一樣枯燥。AI如果直接去"讀"這些文件，效果往往不好——就像你讓一個人死背整本教材，卻從不做練習題，考試時往往發揮失常。
研究團隊採取的策略是：把文件轉化為"一問一答"的練習題。具體來說，系統會先把文件切分成一段段有意義的片段，然後針對每個片段自動生成問題。這些問題被設計成六種類型，涵蓋事實提取、機制解釋、設計原理、條件約束、局限性分析和對比分析，覆蓋了企業實際提問的主要場景。
生成的問題必須滿足幾個硬性條件：問題本身要能獨立成立，不能含有"如上所述"這樣依賴上下文的表達；問題必須有明確可查的答案；問題的表述必須清晰、可理解。經過一系列質量篩查之後，系統最終得到了221,294組問答對。
但研究團隊沒有就此停步。他們還做了一個額外的精細化處理：用目標模型（Qwen3-32B）重新改寫答案，使答案的表達風格更貼近模型自身的生成習慣。這個步驟叫做"目標對齊答案重寫"。在221,294組數據中，有164,744組的答案經過了這道重寫工序，其餘56,550組則保留了原始答案。篩選標準是改寫後的答案與原始答案在語義上的相似度必須達到0.8以上，否則就放棄改寫、保留原版。
這道工序有點像請一位擅長演講的人，把專業報告改寫成適合現場宣講的版本——內容不變，但表達方式更符合聽眾（也就是模型本身）的接受習慣。實驗結果顯示，這道工序本身並沒有直接提升企業問答的準確率，但它有效恢復了通用能力的表現，讓模型在學會企業知識的同時，不至於在通用場景下變得結巴。
這一階段的對比實驗顯示，與直接用固定窗口切片來訓練的方式相比，採用"文檔轉問答題"的方式，可接受答案率提升了31.12個百分點，同時只多消耗了約27.8%的計算量。
**三、第二步：在學習企業知識的同時，不忘"保持通才"**
進入第二步，研究團隊面臨一個經典的AI訓練難題，用一句話來說就是"學了新東西，忘了舊知識"。
把所有221,294組企業問答題餵給模型，它確實會變成企業知識的專家。但代價是，它可能開始忘記怎麼寫通順的句子、怎麼按照指令格式回答問題。這種現象在AI訓練領域有個術語叫"災難性遺忘"，聽起來有點誇張，但現實中確實會發生。
為了對抗這種遺忘，研究團隊在企業問答訓練數據里，混入了一定比例的通用知識練習題。這就像一個正在專攻醫學的學生，每周仍然抽時間讀一讀文學、做一做數學題，以防自己變成一個除了醫學什麼都不懂的書呆子。
研究團隊系統地測試了五種混合比例：完全不混（0%）、混入5%、25%、50%、100%的通用數據。評判標準是綜合三項通用能力測試（MMLU、IFEval、C-Eval）的平均得分。
結果顯示，混入約48.3%通用數據的方案表現最佳，在保持企業問答能力的同時，通用能力也保持得最好。與完全不混通用數據相比，這個方案損失了不到2個百分點的企業問答準確率，卻換來了通用能力平均提升2.49個百分點。這個經過SFT（監督微調）訓練的版本被稱為"暖暖-Inst"，是後續強化學習階段的起點。
**四、第三步：專門對付"剩餘錯誤"的強化學習**
走完前兩步，"暖暖-Inst"已經能回答約80%的企業問題了。但剩下那20%的錯誤，用普通繼續訓練的方式效果有限——因為那些容易學會的題目，模型早就學會了，繼續在全部數據上兜圈子，收益越來越低。
這時候研究團隊祭出了第三步：專門針對"剩餘錯誤"進行強化學習。
具體做法是：先用"暖暖-Inst"去回答訓練集裡的所有230,183道題，然後用評判模型篩出那些它依然答錯的題目，共篩出56,147道。這個錯誤題目池就成了第三階段的專屬訓練集。
這種策略的思路，就像一個備考的學生，把所有做錯的題目單獨整理成"錯題本"，然後在考前集中複習錯題，而不是把所有題目不分好壞地再過一遍。
強化學習採用的算法叫GRPO（一種效率較高的策略優化方法）。對於每道題，模型會生成5個不同的候選回答，然後系統給每個回答評分。評分規則包括四個維度：答案的事實準確性（占60%的權重）、邏輯合理性、專業表達質量、簡潔性（三者合計占30%），以及格式規範性（占10%）。模型通過不斷比較這些候選回答的得分差異，逐漸學會生成更好的答案。
為了驗證"專攻錯題"這一策略是否真的優於其他方案，研究團隊設計了一個嚴格對照實驗：三組模型都從同一個起點（暖暖-Inst）出發，都只訓練100步，使用完全相同的算法和參數。唯一的區別是訓練數據的來源：第一組只用56,147道錯題，第二組從完整的230,183道題中隨機抽取，第三組使用全部230,183道題。
實驗結果顯示，錯題組達到了89.39%的可接受答案率，而完整池隨機組和全量組分別只有86.42%和86.28%。差距看起來不大，但經過嚴格的統計檢驗，這3個百分點左右的差距是可靠的，不是隨機噪聲。研究團隊還通過"按文件來源重新採樣"的方式進行了額外的穩健性檢驗，結果同樣支持錯題策略的優勢。
在主力的完整訓練輪次中，"暖暖-RL"的可接受答案率最終達到91.51%，比"暖暖-Inst"又提升了11.45個百分點。從問題層面來看，這11.45個百分點意味著：原先答錯的題目中，有101道被修復了；原先答對的題目中，有20道出現了退步；淨減少了81個錯誤。
**五、用707道真實企業問題來考試的成績單**
為了讓整個評估體系可信，研究團隊專門構建了一個名為"WnuanBench"的測試集，裡面包含707道真實企業知識問題。
這707道題覆蓋了8個業務領域，按內容類型分為三大類：160道通用企業知識題，370道實際操作場景題，以及177道標準規範題。所有題目都由企業內部人員獨立篩選和審核，完全沒有參與模型的訓練過程，確保考試的公正性。
為了讓評分本身也可信，研究團隊使用了三個大型語言模型組成的"評審團"：兩個主審（gpt-oss-120b和MiniMax-M2.5）獨立評分，如果兩者意見不一致，就請第三個模型（DeepSeek-V3.2）來打破僵局，最終取三者的中間分數。
研究團隊還做了一個重要的校準實驗：請一位真正懂行的企業領域專家，對147道題的模型回答進行人工評分。對比結果顯示，自動評審團與專家的判斷吻合率高達90.5%，統計上的一致性係數（Cohen's κ）為0.796，屬於相當高的水平。這意味著這套自動評分體系是可靠的，不是在自欺欺人。
在最終的成績單上，"暖暖-RL"以91.51%的可接受答案率排名第一。而所有被納入對比的商業AI接口，包括GPT-5.4、MiMo-V2-Pro、DeepSeek-V4-Pro等頂級系統，得分均在42.86%到67.75%之間。同一套問題上，差距非常顯著。
**六、不止準確率：其他質量維度的變化軌跡**
可接受答案率只是最核心的指標，研究團隊還追蹤了幾個輔助指標，它們共同描繪了模型從"暖暖-Base"到"暖暖-Inst"再到"暖暖-RL"的完整進化軌跡。
答案完整性（是否覆蓋了所有關鍵要點）從36%提升到66.76%。答案忠實性（是否有據可查，不瞎編）從30.20%提升到72.14%。幻覺率（模型編造不存在內容的比例）從65.91%大幅下降到15.70%。這意味著，訓練前的模型有超過六成的答案含有編造成分，訓練後降到了不到兩成。
有一個細節值得關註：在各項指標的改善中，SFT階段（第二步）貢獻了大部分的準確性提升，而RL階段（第三步）的最大貢獻是對幻覺率的壓制。RL階段在非幻覺率上額外貢獻了17.96個百分點，顯示出強化學習對"讓模型說話有依據"這件事特別有效。
**七、代價與邊界：通用能力的損失**
沒有什麼是免費的。研究團隊在強調成果的同時，也非常坦誠地報告了代價。
在通用能力測試上，"暖暖-Base"的三項通用測試平均分是88.61%，經過SFT之後降到84.64%，經過RL之後進一步降到83.44%，全程共下滑了5.17個百分點。但這個損失並不均勻：MMLU（知識廣度測試）和C-Eval（中文知識測試）的降幅較小甚至略有回升，而IFEval（指令遵循測試）的降幅最大，從88.76%一路跌到了80.00%。這意味著，模型變得更擅長回答企業知識題，但在"嚴格按照給定格式回答問題"這件事上有所退步。
研究團隊也嘗試了繼續用第三步強化學習來彌補這一損失，專門設計了一個"RL-2"擴展實驗。結果顯示，繼續訓練下去不僅沒有找回指令遵循能力，反而讓幻覺率從15.70%反彈到了20.93%，IFEval繼續從80.00%跌至76.00%，可接受答案率幾乎沒有變化。這個實驗雖然以失敗告終，但它傳遞了一個重要資訊：在當前的方案框架下，企業知識能力和通用指令遵循能力之間存在一定的內在張力，不能簡單地"兩頭都要"。
**八、檢索輔助：有時候反而幫倒忙**
論文還專門測試了一個額外問題：如果給模型配上檢索功能（RAG，即在回答問題時先從文件庫中檢索出相關片段，再一併送給模型參考），會有幫助嗎？
結果出乎意料地微妙。對於沒有經過任何訓練的基礎模型（暖暖-Base），檢索輔助確實很有幫助，可接受答案率從52.76%提升到72.98%。但對於經過完整訓練的"暖暖-RL"，檢索輔助反而造成了下降，從91.51%跌到81.75%。
研究團隊對這個現象做了進一步的拆解分析。他們發現，當檢索到的片段確實與問題相關時，檢索對基礎模型和中間模型還是有幫助的；但當檢索到的內容與問題關聯度不高時，所有模型的表現都會變差，而且訓練越充分的模型受干擾越大。這說明，檢索輔助不是一個可以無腦疊加的"加成"，而是需要根據檢索質量來決定是否使用的條件性工具。
**九、還有一條671B巨模型的路線**
研究團隊還順帶測試了一條不同的路線：基於參數量更大的DeepSeek-V3.1-Terminus（671B參數，遠大於主力方案的32B）進行輕量級微調（LoRA-SFT），但沒有進行強化學習階段。這條路線被稱為"暖暖-Plus"。
結果顯示，"暖暖-Plus-Inst"達到了81.19%的可接受答案率，略高於同等SFT訓練後的32B版本（80.06%），但明顯低於經過強化學習的32B版本（91.51%）。這個對比說明，在同等訓練階段的條件下，更大的模型有一定優勢；但精心設計的三階段訓練策略，可以讓較小的模型超越僅做簡單微調的更大模型。
**說到底，這套方案告訴了我們什麼**
歸根結底，這項研究做了一件很實在的事：它系統性地回答了"如何讓一個通用AI掌握企業私有知識"這個問題，並且用嚴格的實驗數據說話。
研究給出的答案是一套組合拳：先把文件轉化為可學習的問答題，再在學專業知識的同時保留通用能力，最後用強化學習專門攻克剩餘的難題。每一步都有清晰的作用分工，而不是依賴某一個單一技術的神奇效果。
這套方案也有明確的局限性。它只在一家企業的知識體系上得到了驗證，無法保證在其他企業或其他行業同樣有效。它改善了企業知識的準確性，但犧牲了一部分指令遵循能力。而且，由於涉及企業內部文件，完整的訓練數據和測試集無法對外公開。
對於那些正在考慮將AI引入企業內部知識管理的實踐者來說，這項研究提供了一個經過驗證的參考框架，而不是一個可以直接複製粘貼的解決方案。每家企業的知識體系不同，直接照搬結果的風險還是存在的。
有興趣深入了解技術細節的讀者，可以通過arXiv編號2608.01862查閱完整論文，裡面包含了大量訓練配置參數、評分標準定義和統計檢驗結果，是一份相當詳盡的技術報告。
---
**Q&A**
Q1：Wnuan暖暖模型是如何把企業文件轉化為AI可以學習的訓練數據的？
A：暖暖系統會先把企業文件切分成有意義的文本片段，然後針對每個片段自動生成六種類型的問題，包括事實提取、機制解釋、條件約束等，再經過一系列質量篩查，最終得到大約22萬組問答對。此外，系統還會用目標模型對答案進行改寫，使表達風格更貼近模型自身的生成習慣。
Q2：暖暖訓練後通用能力下降了多少，具體哪方面受影響最大？
A：經過完整三階段訓練後，暖暖模型的三項通用能力測試平均分從88.61%下降到83.44%，總共下滑約5.17個百分點。損失最集中的是指令遵循能力（IFEval），從88.76%跌至80.00%，而知識廣度測試（MMLU）和中文知識測試（C-Eval）的降幅相對較小。
Q3：為什麼給暖暖-RL模型加上檢索功能反而會讓成績變差？
A：檢索功能會把檢索到的文檔片段一起送給模型參考，但檢索到的內容不一定與問題高度相關。經過完整訓練的模型已經內化了大量企業知識，反而容易被不相關的檢索內容干擾。當檢索內容與問題真正相關時幫助還是存在的，但檢索質量不穩定時，訓練越充分的模型受干擾反而越大。
