主要观点：

• 询问 ChatGPT 或 Claude 关于 Hyperlambda 的内容，它们会生成类似 Bash 和 Python 混合的错误内容，原因是网上关于 Hyperlambda 的内容少，OpenAI 和 Anthropic 的网站抓取器无法识别其语法，所以作者决定对 OpenAI 进行微调。
• 教 GPT 学习 Hyperlambda 非常困难，需 3500 个训练片段和 550 个验证片段，约 80KLOC 代码，且这些代码除了教学无其他用途，工作枯燥。
• 微调时不能完全相信 ChatGPT 关于超参数的建议，默认超参数（1.8）能使 LLM 效果较好，训练片段需有“prompt”和“completion”值，可从系统文件夹和 CRUD 生成器获取，也可创建自定义 GPT 辅助，每个训练片段还应包含“system”消息。
• 训练 GPT-40-mini 每次运行成本 2 到 5 美元，GPT-40 每次运行成本 50 到 100 美元，建议使用 mini 模型，作者花费 1500 美元进行训练和纠错。
• 微调 LLM 工作极其艰难，99%的情况添加 RAG 到 LLM 是正确解决方案，但对于 Hyperlambda 语言必须使用微调，作者花费一个月每天 3 到 6 小时写 Hyperlambda 代码，目前达到“尚可”水平，需 5000 个片段才能达到完美效果。
• 未涵盖训练文件结构，假设为 JSONL 文件，可在 OpenAI 网站查看，若尝试需做好大量工作的准备。

关键信息：

• 微调 OpenAI 学习 Hyperlambda 的工作量大、成本高。
• 不同模型的训练成本及建议使用的模型。
• 训练片段的构成及获取方式。

重要细节：

• 作者在 GitHub 上公开了训练片段的 repo。
• 训练过程中需进行多次测试运行和 QA 迭代。
• 可在 Hyperlambda 生成器的 AI 聊天机器人中尝试。