文章介绍了Castform与Neon合作，通过微调模型和高效数据检索，在价格和效率上超越前沿模型。Neon的Lakebase Postgres和Search扩展解决数据上下文问题，Castform则优化模型决策能力，使团队能低成本利用现有数据构建强大AI代理。

中文重述：Castform + Neon 如何以更低价格和更高效率超越前沿模型

文章主要介绍了Castform与Neon（Lakebase Postgres）合作，通过强化学习后训练（RL post-training）开源模型，在特定任务（如搜索）上以远低于前沿模型的成本实现同等甚至更优性能的方案。

核心观点： - 一个优秀的智能体（Agent）需要强大的上下文（找到正确数据的能力）和模型（决定搜索什么的能力）。Neon的Search扩展解决了前者，Castform解决了后者。 - 传统RAG（检索增强生成）依赖单次嵌入搜索，而2025年后智能体转向多跳搜索工作流，每次循环调用前沿模型导致成本高、延迟长（例如gpt-5.6-sol一次多轮搜索需>10秒，成本约$0.03）。 - 小型开源模型成本仅为前沿模型的1/100，但开箱即用能力不足。通过强化学习后训练，开源模型可在特定任务上匹配甚至超越前沿模型，同时成本低数个数量级。

Castform的解决方案： - 让开发者无需处理机器学习或GPU细节，即可对模型进行强化学习后训练，目标是将后训练变得像提示工程一样简单。 - 训练流程：原始文档存储在Neon的Postgres中 → Castform利用Lakebase Search生成合成训练任务 → 强化学习训练中每次工具调用都使用Lakebase Search → 最终模型在推理时使用相同的搜索工具。 - 企业通常拥有大量专有数据（如内部文档、产品记录、客服交互等），但缺乏干净的训练数据集。Castform可将现有语料库自动转化为训练任务（生成问题-答案对），并管理强化学习循环。

技术细节： - 奖励函数：定义模型需要优化的目标，例如检索到正确片段、引用正确来源、给出正确答案。 - 训练过程：智能体反复调用Lakebase Search直到获得足够上下文，Neon的动态计算扩展可吸收高并发峰值，无需持续预配最大容量。 - 未来扩展：Neon的分支功能可为每次训练提供隔离数据库状态，时间旅行查询可重建智能体遇到的状态，结合自动缩放，支持数千个有状态智能体训练。

结论： Castform使任何开发者都能轻松后训练开源模型，使其比前沿模型更便宜、更快、更好。

根据评论内容，主要观点和论据如下：

1. 专业化模型的优势（高认可度） - 评论1：专用模型潜力巨大，如Claude Code将探索任务交给Haiku，体现分工价值。 - 评论7：检索、重排序、推理、生成应各自使用优化模型，路由成本可忽略时更合理。

2. 检索效果与基准测试的质疑（中等认可度） - 评论3：未回答关键问题——检索在更大数据集中寻找“隐藏信息”的效果如何，以及如何关联查找。 - 评论6：质疑未使用常见检索基准（如BrowseComp+），且未报告具体指标。

3. 模型规模与事实检索的对比（中等认可度） - 评论5：小模型在文档事实检索上可超越大模型，推测大模型“过度思考”而小模型更直接。 - 评论2：z.ai上的DeepSeek 4 Flash在详细规格下表现惊人，一次生成成功。

4. 数据质量与奖励函数问题（低认可度） - 评论4：FAANG等公司存在大量过时或错误语料，质疑从语料本身推导奖励函数如何解决此问题。

5. 对GPT-5.6的负面反馈（低认可度） - 评论8：GPT-5.6比GPT-5.5冗长10倍，无明显理由。