企业官网建设流程全解析

一、SFT 指令数据集完整通俗解释

1. SFT 全称

Supervised Fine-Tuning，监督微调数据集，行业简称 SFT 数据集，也叫指令跟随数据集。

2. 核心作用

普通预训练大模型只会续写文字，不懂 “听懂人的指令、按要求回答”； SFT 数据集就是人工制作的「用户指令 + 标准答案」配对样本，用来微调模型，教会模型看懂提问、规范输出、贴合业务场景（电商客服、政务问答、行业咨询）。

3. 标准格式（考试固定两种）

格式 1：单轮指令（Alpaca 标准，考场最常用 JSONL）

{"instruction":"如何申请退换货？","input":"","output":"订单签收7天内无损坏可联系客服申请退换，上传商品照片即可。"}

• instruction：用户指令 / 问题
• input：补充上下文（无则为空）
• output：模型必须输出的标准回答

格式 2：多轮对话（ChatML，智能客服考题）

{"messages": [ {"role":"user","content":"物流几天能到？"}, {"role":"assistant","content":"普通快递3-5个工作日，偏远地区5-7天。"} ]}

4. 考试里 SFT 数据集要做的操作

1. 原始对话清洗、去重、脱敏；
2. 把杂乱聊天整理成标准指令问答对；
3. 均衡各类场景样本，避免某类问题太少；
4. 导出 JSONL 格式，作为模型微调训练素材；
5. 质检过滤答非所问、错误、违规样本。

二、SFT 指令数据集对应考试哪两道大题（结合你官方认定文档）

1. 前置基础：2.1 数据处理规范制定（必考 15 分）

对应 SFT 工作：原始数据治理、标注规范、问答对构建

细分操作题型：

• 多模态文本清洗、敏感信息脱敏；
• 编写对话 / 指令数据标注规范；
• 原始聊天素材转化为标准指令问答初稿；
• 数据集去重、样本均衡、训练 / 验证集划分。考点：SFT 数据集前期数据预处理、标注标准、样本均衡规则。

2. 核心大题：2.2 算法测试（必考 20 分，三级独有，含模型微调）

SFT 数据集最终使用环节，整张试卷唯一考微调的题目

细分操作题型完全围绕 SFT：

1. 导入 2.1 环节产出的 SFT 指令数据集；
2. 数据集格式校验、过滤低质量指令样本；
3. 划分训练集 / 验证集，配置 LoRA 微调超参数；
4. 启动微调，监控 Loss 曲线，解决过拟合 / 欠拟合；
5. 微调完成后用 SFT 测试集批量推理评测；
6. 分析 Badcase（指令不遵循、幻觉），优化 SFT 数据集。

总结题号对应关系

1. 2.1.X 数据处理规范制定：制作、清洗、标准化 SFT 原始指令数据（前置工序）
2. 2.2.X 算法测试：使用 SFT 数据集完成模型微调、评测、迭代优化（核心应用大题）

三、考试典型 SFT 实操考题示例（2.2 算法测试）

试题场景：电商售后对话大模型微调 操作步骤：

1. 读取清洗完成的客服对话原始文本；
2. 批量生成 instruction-output 标准问答对（SFT 样本）；
3. 剔除重复、无效、回答错误样本，均衡 6 类业务意图；
4. 导出 JSONL 格式 SFT 训练数据集；
5. 上传至训练平台，设置学习率、epoch 完成 LoRA 微调；
6. 用测试指令集批量推理，计算准确率、召回率；
7. 汇总模型无法正确响应的指令，补充优化 SFT 数据集。

四、简历里如何对应写 SFT

项目描述原文对应 SFT 内容：

基于清洗后对话数据构建标准 SFT 指令问答对 8600 条，统一 JSONL 训练格式，均衡退换货、查物流等 6 类场景样本，解决类别样本不均衡问题；使用该 SFT 数据集完成 LoRA 轻量化微调，模型意图分类准确率由 76.2% 提升至 91.5%。