打算微调，第一反应往往是「要准备多少条数据」。但常见卡点是：任务还没定清就开始标，标了几百条发现格式不统一、质量参差，只能推倒重来。这篇给一套从上到下的顺序——先定任务和评测口径，再定数据形态，然后估算规模并持续验证，最后判断什么情况下不该走微调这条路。
准备微调时，第一反应往往是「要准备多少条数据」。但真正卡住项目的，往往是任务还没定清就开始标注：标了几百条才发现格式不统一、答案口径不一致，只能推倒重来。规模问题从来不是孤立的，它取决于你分得清哪类任务、想清楚验收标准没有。
下面这套顺序从上到下走一遍：先定任务和评测口径，再定数据形态，然后估算规模并在训练过程中持续验证，最后判断什么情况下压根不该走微调这条路。每一步都给判断标准和可执行动作，数字口径不写死，需要时去站内相关页面核对当时的情况。
先定任务再定数据：三类目标对应三种数据形态
把目标先归到三类里：改风格格式、补领域知识、学新能力。这三类对数据量的敏感度完全不同——改格式往往几十上百条高质量样本就能见效，补知识需要覆盖足够多的场景，学一项模型原本不会的能力则最费数据。先分类，再谈条数。
- 改风格格式
- 要求模型按固定模板、语气或结构输出，数据的重点是示范一致，而不是覆盖广度
- 补领域知识
- 让模型答对训练语料里没有的行业内容，数据的重点是覆盖真实问法与事实准确
- 学新能力
- 让模型掌握原本不会的操作或多步推理，数据的重点是任务多样性和步骤完整
补知识这一类，先别急着开微调项目。把同样的问题拿去试提示词和 RAG，如果检索能解决大部分，就没必要微调。判断分界可以去 /fine-tune-prompt-rag 对照，那里把几种路线的适用条件讲得比较细。
动手标注之前，先写一份验收用例：挑一批有代表性的输入，写下期望输出。这份东西后面既当评测集，也当数据模板。它能帮你提前暴露一个致命问题——任务边界含糊，表现就是一句话说不清「输入是什么、输出长什么样、有没有唯一答案」。说不清就别标。
数据长什么样比有多少条更重要
字段结构先定死：输入、输出、可选的系统提示与拒绝样本。全库统一，别这里混进对话格式、那里混进纯文本补全。格式一乱，训练时清洗成本比标注还高，而且很难自动排查。
- 抽样自查：随机抽一批人工过一遍，重点看答案有没有互相矛盾、是不是口语化改写、会不会过长
- 去重看语义而非字符串：同一个问题换几种问法算不算重复，事先定死规则，不然去重会误删有效样本
- 拒绝样本单独放：模型该说「不知道」或拒绝的场景，别和正常问答混在一起，标注时标记清楚
- 保留原始来源：每条数据记下出处，后面排查异常时能回溯
数据量和质量的关系是递减的。到某个点之后，继续加量的收益很小，这时候更该回头清理已有样本：改错答案、补漏场景、拆掉过长的回答。与其盲目加量，不如先做一轮清理再决定要不要继续标。
| 自查项 | 合格表现 | 要返工的表现 |
|---|---|---|
| 字段结构 | 全库统一，脚本能直接解析 | 混着多种对话/补全格式 |
| 答案一致性 | 同类问题答案口径一致 | 换个样本答案就反了 |
| 长度分布 | 大多数样本长度接近 | 少数极长样本拉偏分布 |
| 去重规则 | 语义重复有明确判定 | 字符串去重把有效数据删了 |
规模怎么估：从任务类型和评测曲线两头夹
粗估可以从任务类型入手分档：改风格格式需求较少，补知识中等，学新能力最多。具体档位口径别信通用说法，各家服务商的建议都在变，去 /stacks/fine-tuning 对照同类服务商当时的文档和建议更靠谱。
- 切分训练集与留出集留出集不参与训练，只用来观察指标。切分比例不用太纠结，关键是每次加数据都重新用同一套留出集评测，保证可比。
- 按批次加量别一次标完再训。第一批标完先跑一轮，记下留出集指标；再加第二批、第三批，每轮都记录。
- 画自己的曲线横轴是数据量，纵轴是留出集指标。曲线趋平的位置就是接近饱和的信号，比任何通用数字都贴合你的任务。
- 算上人力成本估规模时要算标注与返工的人天，这部分常被低估。算力费用可去 /compute/finetune 与 /compute/training-cost 核对当时的计费口径。
先有自己的评测曲线，再谈需要多少条数据；没有曲线的加量只是碰运气。
什么情况下别做微调，或者该先停一停
微调不是所有需求的默认解。下面这几种情况，先停一停比继续加数据更有价值。判断标准很简单：如果需求本身还在动，或者你根本说不清微调版比基线强在哪，那问题不在数据量。
- 需求还在频繁变、连输出格式都没定的时候，微调会把变动成本放大，先等需求稳定
- 样本量远低于起点档，却指望模型学会全新能力，效果通常和提示词差不多，不如先优化提示词与检索
- 数据涉及敏感内容时，先过一遍数据边界与合规清单，再决定哪些能送去训练
- 已经有一版微调模型但说不清比基线强在哪：先补评测，不要继续加数据
- 同一批输入用提示词就能达到可接受效果，就别为了一点提升去维护一整套数据流水线
另外提醒一句：任务类型不同，返工成本也不一样。改格式的任务返工便宜，补知识和学能力的任务返工贵得多，所以后两类更应该在小批量上先验证再放量。真需要微调时，先把评测和基线补上，再谈数据规模。
下一步：把评测和数据模板先落地在动手标数据前，先建一份验收用例和数据模板，再按批次加量记录曲线。想了解各家微调服务的建议口径与当前计费，可以去 /stacks/fine-tuning 和 /compute/finetune 核对当时的数字。→常见问题
几百条数据能不能微调出效果？
能，但要看你想要什么。如果只是让输出风格、格式、语气稳定下来，几百条高质量样本往往就够。如果是想让模型掌握它原本不具备的能力，几百条一般不够，而且加量之前先确认提示词和检索是不是已经把问题解决了。判断标准是你自己那份留出集上的表现，不是通用数字。
数据量估算有没有通用公式？
没有可靠的通用公式，任务类型、基座模型、输出复杂度都会影响。务实做法是从一个起点档位开始，分批加量、每批记录留出集指标，画出自己的曲线。曲线走平就说明接近饱和，继续标数据的边际收益已经很低。起点档位和同类项目口径可以去 /stacks/fine-tuning 对照。
标注数据自己搞还是外包？
先自己标一小批，把标注规范和边界情况摸清楚，再决定要不要外包。规范没定就外包，返工成本通常比省下的时间更贵。外包时至少保留一批自己标的样本做交叉校验，用来判断外包质量是否稳定，别只看交付数量和格式是否合规。
