微调的数据怎么准备？多少条数据才够

先这样答

准备流程四步。第一步定任务：模型要做什么、输入长什么样、输出要什么格式，先写一份标注规范，把边界情况约定清楚。第二步收数据：真实业务日志（脱敏）、人工撰写、或强模型生成后人工校对，都可以。第三步清洗：去重、纠错、去敏感信息，格式和风格对齐。第四步切分：留出一部分做验证集，训练时靠它判断有没有过拟合。

数量没有标准答案。任务越窄、格式越固定，需要的条数越少；任务面越宽、要求泛化，对数据量和多样性的要求越高。几千到几万条这个量级常见，但这是经验范围不是定论。比条数更要紧的是质量和覆盖：错误答案教出错误行为，覆盖不足则真实输入一偏模型就露怯。

一句总结：先定规范，再把质量做上去，最后才看数量；验证集从第一天就要保留，它和真实场景的输入分布，比训练集条数更能决定微调成不成功。

面试官会怎么追问

• 「能用大模型生成训练数据吗？」 常见做法，但必须人工抽检：生成数据自带模型的毛病，幻觉和错误会原样进训练集。生成加人工校对、再混入一部分真实数据保持分布，比纯生成可靠得多。
• 「数据多样性指什么？」 同一任务的不同问法、不同难度、不同边界情况都要覆盖。全是同一种模板的数据，模型只会应对那一种问法，用户换个说法就出问题。
• 「怎么发现数据有问题？」 训练损失正常下降、验证集却不见好，多半是训练集有错或分布偏；模型输出莫名带上奇怪的口头禅或错误格式，回头查数据通常能找到源头。

回答的坑

• 一开口就报「要多少条」。顺序反了：先看任务复杂度和数据质量，数量是最后才定的变量，上来就报数字多半说明没亲手做过。
• 忽略输出格式一致。答案风格忽长忽短、格式忽而 JSON 忽而纯文本，模型学到的就是混乱本身，这种数据越多越糟。