花50美元，让AI学会像1995年那样写文档：一场怀旧实验的意外发现

50美元，一个周末，让一个7B参数的AI模型写出了可以“以假乱真”的1995年微软技术文档风格。这听起来像是个科技怀旧派的行为艺术，但结果却让作者本人都惊了：训练得越“浅”、越“便宜”的模型，模仿得反而越真诚。

起因：一场对抗“AI味”的文艺复兴

在这个大模型动辄千亿参数、全民追逐最新前沿的时代，一位技术写作者却想开倒车。他的目标很纯粹：微调一个本地运行的指令模型，让它学会上世纪80、90年代老派技术文档那种结构清晰、用词严谨、带点古板却无比可靠的写作风格。

为什么？因为现在AI生成的文档，总带着一股标准化的“README味”，像工业流水线产品。而老文档，是带着“人”和“时代”烙印的手艺活。

训练风格的第一步，是找到范本。作者盯上了一个叫 Bitsavers 的网站，这是一个致力于扫描和归档古老计算机手册和宣传册的“数字考古”圣地。

他选择了微软1977-2005年间绝版文档的集合，超过3700万字。用Python脚本清理格式，再花8美元用便宜模型过滤掉难以理解的段落。最终，他得到了近20万条训练样本。

这就像收集了一整座90年代微软图书馆的“墨香”，准备灌输给AI。

作者没几百万美元去从头训练一个模型，于是选择了“微调”——好比用拖船稍微改变一下巨型冰山的航向。他坦言自己并非专家，过程中充满了QLoRA、量化、LoRA适配器这些让人头晕的术语。

现实很骨感：在家搞大模型，要么费时间，要么烧钱，要么降低目标。为了这个周末项目，他以每小时6美元的价格在RunPod上租用了强大的云GPU。整个过程花了约50美元，还因为预算耗尽丢失了两个训练中的适配器——平台可不会留情面。

作者用三个问题测试了训练好的模型：写malloc()函数文档、编造一个ConnectWifi()函数文档、以及用1990年代风格解释“REST API”这个2000年后的概念。

结果出现了戏剧性反转。

未经修改的现代模型，输出的是标准的Markdown README。而微调后的模型，则开始模仿出 “Synopsis”、“Return Value” 这样的古典章节结构。

在虚构函数测试中，只有训练了3个周期的模型坚持住了人设，其他模型都忍不住“破功”，用内部知识打破了虚构。

最精彩的测试是用90年代风格写REST API。参数更大的Llama模型失败了，输出平淡。而一个7B参数的Qwen模型，经过在1990年代文档上的训练，其输出却惊人地像Windows 2000资源手册的开篇章节，风格迁移成功了。

一个更有趣的发现：适配器“秩”（rank）参数越低，模型模仿得越“执着”甚至“死板”，但更不容易穿帮。参数更灵活的适配器，反而更容易产生幻觉，摆脱范本的束缚。有时，“笨”一点的演员，演戏反而更投入。

这场实验证明，用特定时代风格的语料微调模型，确实能让它成为一个出色的风格模仿者。成本可控，效果显著，或许未来可以用于企业内部文档的风格审核，或辅助生成符合特定品牌调性的内容。

但作者也清醒地指出：微调只是给模型戴上了“面具”，它的内核——缺乏真正判断力——并未改变。 它无法替代人类技术作者对深度和上下文的理解。老文档之所以好，不仅因为格式，更因为在那个发布周期漫长、硬件资源有限的年代，作者被迫将深度和简洁推向了极致。

技术评论的要点是深度，不是文风。你需要的是理解和上下文，才能写出“往日那种文档”。任何LLM的把戏都无法让你免除这一点。

这场实验，更像是一次成功的“角色扮演”。它让我们怀念那个文档如磐石般可靠的时代，也让我们再次看清：AI是最好的模仿者，却依然不是深刻的思考者。 下一个挑战或许是：我们能否教会AI理解那些隐藏在简洁文字背后的、真正的“设计意图”？

【锐评】：用90年代的砖，砌AI时代的墙，结果发现最稳的砖，往往是最老实、最不“聪明”的那块。

参考链接：
https://passo.uno/fine-tuning-docs-llm/