近日，硅心科技（aiXcoder）助力国内头部通信企业落地企业专属大模型，通过四大创新方案，突破通用大模型“缺乏企业私域知识、不了解业务”的企业落地难题，实现代码生成准确率提升25个百分点（从20%提升至45%），企业知识问答准确率提升18个百分点（从51%提升至69%）。

在通信行业数字化转型加速的背景下，某大型通信公司率先将通用大模型引入生产实践，期望大模型在企业知识问答、单元测试生成、代码生成等真实场景中提供智能辅助，以提升研发效能。

然而实际的应用中，通用大模型因缺乏企业私域知识（如专有协议栈、设备交互逻辑等）而表现不佳：企业知识问答常常答非所问或泛泛而谈；输出缺乏业务逻辑支撑，可用性差；生成的代码需工程师花费大量时间修改。

考虑到RAG（Retrieval-Augmented Generation，检索增强生成）等通用方案难以实现深度业务推理。为此，企业选择与硅心科技（aiXcoder）合作，将私域知识深度注入模型，构建企业专属大模型。

具体方案包括：1）多维度综合评估，选择最优开源模型。2）企业私域数据治理，构建高质量训练语料。3）增量预训练+后训练，训练企业专属大模型。4）以企业真实数据为准，构建企业级测评集。

方案实施过程中仍面临诸多挑战，硅心科技（aiXcoder）通过四大创新技术攻克难题，确保项目落地：

一、创新采用“大模型+小模型”策略。大模型支持通用场景，比如复杂的Agent主流程构建；小模型支持企业特定的领域化问题，在解决企业特定任务时会更精准、高效。两者协同，既保证通用智能，又强化专业深度。

二、构建全链路私域数据治理体系。硅心科技（aiXcoder）对“原始需求-设计-开发-测试”等研发环节的企业数据和文档，进行系统性打通与关联构建，让大模型在执行具体任务时，能参考研发全链路的相关知识，获得全局理解能力，提升输出结果的可用性。

三、创新融入工作流和Agent技术。企业核心业务智能化往往需要端到端的解决方案，但目前市场上并没有能直接解决端到端问题的大模型。为此，硅心科技（aiXcoder）在训练企业专属大模型时，创造性融入了工作流和Agent技术。通过精心设计的任务编排与Agent协同，有效补齐端到端的能力短板。

四、利用AI辅助生成高质量训练数据。企业内部的私域知识和数据关系非常复杂，且数据量不足以支撑模型训练的需求。为此，硅心科技（aiXcoder）在严格遵循业务逻辑和安全规范的前提下，系统梳理和构建数据间的依赖关系，并利用大模型合成大量高质量、符合业务场景的训练数据，有效解决数据瓶颈难题。

最终，企业专属大模型应用到实际任务中后，效果超出预期：企业知识问答的准确率由原来51%，提升至69%；代码生成准确率由原来的20%，上涨至45%。

不仅如此，企业专属大模型训练过程中所形成的数据治理框架、训练路径和方案都具备高度的可复用性。随着底层模型迭代、技术演进和业务需求的变化，企业可以在现有框架上快速适应、调整和新增数据，大幅降低后续训练成本，为企业在长期技术竞争中构建独特优势。