微调听起来像“训练一个更懂业务的模型”，但很多项目真正缺的是清晰 Prompt、最新知识检索或稳定 Skill。用训练解决信息架构问题，成本高且难以更新。

深度重写版约 15 分钟含决策矩阵含 Data Card
我的定义是：SFT（监督微调）= 用高质量输入—理想输出样本，改变模型在特定任务上的默认行为。它适合稳定、重复、可评估的行为模式，不适合频繁变化的事实。

先证伪：你真的需要微调吗

问题优先工具原因
任务说不清、格式不稳定Prompt / Harness先把规格和约束显式化
缺最新或私有事实RAG / MCP事实需要可更新、可引用
缺固定工序和工具使用方法Skill程序化知识更透明、易修改
同类行为纠正高频重复SFT把稳定模式压进默认行为

SFT 也可能让模型学习样本中反复出现的领域模式，但不应把它当事实数据库。产品、政策和库存会变化；写入权重后难以逐条更新与追溯。

六种常见训练失败

FAILURE 01

没有基线

未证明 Prompt 已到瓶颈，就直接花钱训练。

FAILURE 02

标签质量差

样本互相矛盾，模型学到的是标注噪声。

FAILURE 03

训练测试泄漏

相似样本跨集合，结果看似优秀却无法泛化。

FAILURE 04

只教正例

模型会模仿理想答案，却不会识别拒绝和升级条件。

FAILURE 05

过拟合格式

格式稳定了，事实性、灵活性或拒绝能力却下降。

FAILURE 06

没有退出方案

基础模型升级后无法比较、回滚或迁移。

完整案例：客服工单分类与路由

虚构场景：B2B 软件团队每天处理大量工单目标是稳定分类、优先级与升级，而不是让模型自由回复客户。

先用基础模型 + 清晰 Prompt 建立基线，按产品模块、严重度、语言和模糊程度切片。错误分析显示，同一批行业术语和升级规则每天重复纠正，且输出结构固定，这才构成 SFT 理由。

01
定义标签每个类别有正例、反例、边界与升级条件。
Schema
02
精选样本优先少量一致、代表真实分布的专家样本，不用海量弱标签掩盖分歧。
Data
03
独立保留集按时间或客户分组拆分，避免近重复泄漏。
Holdout
04
灰度与回滚只自动路由低风险工单；高严重度仍由人确认。
Deploy

Data Card：训练前先审数据

SFT DATA CARDv1.0
目标行为：[一个可评估任务]
基础模型与基线：[版本 / Prompt / 分数]
数据来源与许可：[填写]
标签定义与冲突处理：[填写]
代表性切片：[常见 / 关键 / 边界 / 拒绝]
隐私处理：[删除、脱敏、保留周期]
训练 / 验证 / 保留集拆分：[按实体或时间防泄漏]
质量审查：[双人复核 / 分歧率 / 抽样]
成功门槛：[总体 + 关键切片 + 零容忍项]
回滚条件：[退化、成本、延迟、安全]
模型与数据版本：[可追溯标识]

微调后的模型必须比“会做题”更可靠

测试要回答的问题
Holdout未见数据上是否稳定优于基线
Slice少数语言、高风险类别是否被平均数掩盖
Robustness错别字、长文本、冲突证据下是否稳定
Refusal未知与越界任务是否正确升级
Regression通用能力、安全、延迟和成本是否退化
最强反对意见：基础模型更新会让微调快速过时

这条意见值得权衡。因此只为高频、稳定、能持续产生收益的窄任务微调，并把训练集、评估集与基线保留为可迁移资产。

微调的资产不是权重，而是高质量行为数据

模型版本会退役，真正可复用的是清晰标签、专家样本、错误分类和评估集。它们可以迁移到新模型，也能反过来改善 Prompt、Skill 和业务流程。

当你不能清楚写出“哪些重复纠正要被学会、如何证明学会、学错怎样回滚”，就还没到 SFT 阶段。