监督微调
Supervised Fine-Tuning
学到 认得 就够：听到能明白
你可能会说
“我准备一批研究问答范例，监督微调怎样让模型学会按要求回答？”
SFT 用带目标答案的样本继续训练已有模型，让它更倾向于产生示范中的行为。对语言模型常是输入—理想回答配对，但也可服务其他有监督适配任务。
使用 AI
科研里的例子
准备访谈片段及人工核准的主题标签与理由，让模型学习固定输出；测试时特别检查跨主题和信息不足的片段。
模型根据目标回答各词元的预测损失更新参数，学习的不仅是内容，还包括格式、语气和处理任务的方式。示范答案若含不实推断或模板偏差，也会被强化。SFT 通常不需要为同一问题收集多个答案的相对偏好，因此与偏好优化不同。研究者设计训练资料时，应把概念边界、困难负例和未知处理写入示范，而不只是挑最整齐、最容易的样本。
判断
亲手检查一次
抽查训练样本中的目标答案，找出一条错误和一条歧义示例，说明模型按损失学习时会被推向何种行为。
它做不到的
SFT 改善示范任务表现，不等于建立事实验证器；它和指令微调常重叠，但两者不是完全同义的所有场景。
增量，由你来写
读完这张，你的理解变了什么？
留言功能会在后面的版本开放。现在可以先在 X 上 @knowledgedelta 告诉我。
来源
卡片底稿由 AI 协助整理，经过核对；发现错误请告诉我。