产品 Databricks Blog·原文 2026年10月15日本站收录 2026年10月16日

FactSet用Databricks AI Runtime把TTF模型训练部署周期从数天压缩到数小时

FactSet在Databricks博客中称，其Text-to-Formula系统的模型微调已从实验性工作变成每两到三周一次的常规环节；借助无服务器GPU基础设施，单次设置、训练、部署时间由数天降至数小时。

AI解读：要弄清的具体问题是：FactSet这次缩短的是哪一段流程的时间。按Databricks博客引述FactSet首席机器学习工程师Nikhil Sunderraj的说法，变化发生在“设置、训练并部署一个定制TTF模型”这个循环，从以天计降到以小时计。

适用对象是TTF的工程侧工作流。TTF负责把投资专业人士的自然语言请求转成正确的FactSet Query Language公式；训练数据经过专家审核，模型训练、注册和部署运行在Databricks上，数据治理沿用其Lakehouse环境。

条件边界是微调频率。FactSet现在大约每两到三周微调一次模型，这在实验阶段不是硬需求；频率提高后，反复准备和配置GPU环境会直接叠加进开发周期，所以无服务器GPU带来的按次选择算力的方式才成为关键。

来源没有给出门槛数字。博客未披露FactSet的GPU成本、人力投入变化或TTF线上准确率指标；此前公开的是更早阶段“引入微调模型使端到端延迟下降约 60%”，与这次的小时级周期不是同一项测量。

这可以支持“FactSet单个团队的单条工作流变快”这一范围，不能推出其他团队或行业的训练部署时间同样缩短。Databricks是AI Runtime的提供方，这条数据出自其客户案例博客，属于供应商转述的客户说法。

FactSet在Databricks博客中称，其Text-to-Formula（TTF）系统用Databricks AI Runtime运行微调任务后，设置、训练并部署一个定制模型的时间从数天降到数小时。

博客引述FactSet首席机器学习工程师Nikhil Sunderraj的说法：无需搭建基础设施、也没有延迟，可以按提示长度和输出token生成量选择算力，同时保留Lakehouse工作流与治理。

TTF把投资专业人士的自然语言请求转换为FactSet Query Language（FQL）公式。FactSet现在大约每两到三周微调一次模型，微调已从实验性工作变成TTF开发中的常规环节。

从检索增强到定期微调

TTF最初围绕检索增强生成（RAG）构建，用检索为请求找到相关示例和信息。随着使用量增长，查询变得更专门、公式更复杂，这套做法遇到质量上限。

FactSet随后在Compound AI架构中加入微调的开源模型，使团队能针对FQL的结构和模式训练模型，而不是主要在推理时依赖检索。博客称，在TTF更早的工作中，加入微调模型让端到端延迟降低约 60%。

随着训练数据积累，FactSet开始定期更新模型，微调从一次性实验变成发布周期的一部分，目前大约每两到三周进行一次。

每隔几周训练一次改变了基础设施要求。为一次实验准备环境、配置GPU算力尚可管理，但每当有新数据或新模型要测试就重复这套工作，开销会直接加进开发周期。

模型需求也会在实验之间变化。FactSet用过Llama系列模型，并持续评估更新的开源模型。不同模型、提示长度和输出特征可能需要不同的计算配置，把训练环境绑定到固定GPU会削弱这种调整能力。

FactSet使用Databricks AI Runtime在无服务器GPU基础设施上运行微调负载，工程师按单次训练的需求选择算力，无需预先配置底层GPU环境。

TTF的训练流程与数据、实验、模型管理和治理一起运行在Databricks上。FactSet用MLflow跟踪模型开发和实验，底层数据保留在既有Lakehouse环境中受治理。

博客称，用AI Runtime运行微调把GPU训练留在这条流程里：工程师可以使用受治理的数据、训练新模型、跟踪产出的工件并推进部署，无需为微调单独维护一套GPU栈。

微调管线基于Databricks Lakeflow Jobs and Pipelines构建，被描述为即插即用、可复用的框架，便于被不同的TTF任务和其他团队采纳。

随着数据积累，FactSet正在探索用于查询分解、组件抽取和库识别等任务的额外微调模型。这为工作流的每个部分选用更合适的模型提供了空间，也让快速、可重复的训练更重要。

博客称，当模型更换不需要围绕它重建训练环境时，测试新模型会容易得多。工程工作转向真正影响TTF的问题：用哪个模型、怎么训练、新版本是否改进了应用。