数据敏感度决定形态
核心数据不能出内网时，私有化与本地训练成为前提，选型范围立刻收窄。此时应重点评估部署与运维能力，而不是模型本身的排名；一个能在机房稳定运行的小模型，往往比需要外部接口的大模型更符合实际需要。
任务稳定性决定投入
任务口径长期稳定、样本可持续积累，才值得自建训练能力。若业务规则每季度大改，模型需要反复重训，自建的边际收益会被维护成本吃掉；这类场景更适合用检索加提示，或采购能持续更新的行业模型。
团队与算力是硬约束
训练需要算法与工程配合，推理需要运维值守，缺一环都会在上线后暴露。评估时应看能否长期养住这两类人，而不是能否完成第一次训练；算力则要区分训练与推理，避免把训练卡当作推理资源规划。
基座许可决定能否交付
自研不等于自由，基座的商用与再分发限制会直接影响交付形态。选型阶段就应把许可文本交法务确认，并写入立项材料；等到训练完成才发现不能用，损失的不只是算力，还有交付窗口与客户信任。
混合模式与退出安排
常见做法是外部交付首版并移交训练配置与数据规范，内部接手后续迭代。合同里应写明权重、配置、数据与评测集的归属，以及更换供应商时的迁移方式，否则第二版仍要重新采购，成本会翻倍；长期也难持续。
适用与不适用
适合谁
- 在自研训练与外部交付之间取舍的技术负责人
- 数据敏感、必须私有化部署的行业客户
- 已有标注与算力资源、希望长期投入的企业
不适合谁
- 任务口径频繁变化、样本难以积累的场景
- 没有任何标注与算力资源、也不打算投入的团队
典型场景
某医疗软件企业需要在院内私有化部署报告生成模型。评估发现团队有工程能力但缺训练经验，遂选择外部交付首版，合同约定训练配置、数据规范与评测集移交，并安排两轮内部培训。半年后院内规则调整，团队自行完成一次小规模重训，未再依赖外部支持。
可执行步骤
- 先确认数据分级与部署边界，判断能否使用外部服务，再决定选型范围，避免选错方向
- 评估任务口径的稳定性，估算未来两年的重训次数，判断自建是否划算，避免高估收益
- 盘点团队是否同时具备训练与推理运维能力，缺哪类人就提前补哪类，避免开工后缺人
- 核对基座许可与商用限制，交法务出具书面意见，并把结论写入立项材料
- 把权重、配置与数据规范的归属写进合同并约定移交，避免同一件事二次采购
常见坑
- 为自主可控而全量自研，训练做得出但运维跟不上，系统在半年后逐渐停摆；前期投入难以回收；也难以补救。
- 只看模型效果不看许可，训练完成后被法务拦下，交付窗口被迫推迟数月；客户信任也随之受损；交付节奏被打乱。
- 任务口径频繁变化仍坚持自建，每次重训都要重新标注，维护成本远超预期；预算在一年内见底；团队疲于应付。
- 合同未约定配置与数据归属，第二版仍要外部支持，议价空间完全丧失；后续单价只能被动接受；长期受制于人。
自检与验收清单
- 数据分级与部署边界是否已书面确认，并注明责任人
- 任务口径稳定性是否评估过，并有重训次数估算
- 团队是否具备训练与运维两类能力，缺人如何补
- 基座许可是否有法务意见，结论是否留档备查，是否已归档
- 权重与配置归属是否写入合同，是否约定移交方式
常见问题
自研训练一定更省钱吗？
短期看未必，长期看取决于重训频率与团队成本。若两年内只需重训一两次，外部交付通常更经济；若任务持续演进、需要按月迭代，自建能力才可能摊薄成本，但前提是团队能长期在位。
采购行业模型可行吗？
可行，尤其在同一行业已有成熟语料与标注体系的场景。但要注意模型的许可范围、可定制程度与数据是否回流；部分行业模型不允许本地微调，或要求数据上传，这与私有化诉求可能冲突。
外部交付后怎么接手？
要求交付训练配置、数据规范、评测集与推理服务脚本，并在项目中期安排一次由内部人员独立完成的小规模重训。演练能暴露文档缺口，也能让团队在真实任务中建立信心，比事后培训更有效。