AI前沿技术：大模型微调数据集构建规范.docxVIP

AI前沿技术：大模型微调数据集构建规范

1范围与术语定义

1.1适用范围

本规范面向千亿/百亿级通用大模型、垂直领域行业大模型，覆盖有监督指令微调（SFT）、思维链微调（CoT）、偏好对齐微调（DPO/RM）、多轮对话微调、领域知识微调五大主流微调范式，规定数据集需求规划、数据源采集、样本构造、预处理、格式标准化、质量质检、版本管控、合规治理、归档运维全流程强制规范与推荐准则；适配通用政务、金融、医疗、工业、法律、客服六大高频垂直场景，兼容开源基座模型、企业私有化基座模型微调工程落地，对标T/ISC0076—2025、信通院AI数据集质量ADAQ评估体系国内行业标准。

本规范不适用于大模型预训练原始语料数据集、多模态原生图像/音频数据集，可作为企业AI研发团队、数据标注机构、算法工程团队数据集建设统一执行标准。

1.2核心术语定义

微调数据集：针对特定任务、领域、输出风格、价值对齐目标，人工构造或机器合成、标注优化的小体量高质量配对样本集合，区别于预训练海量无标注语料，具备指令-输出、上下文-应答、偏好正负样本绑定特征。

SFT单轮样本：指令+补充输入+标准输出三元结构化微调基础样本，为工业落地主流样本格式。

CoT思维链样本：嵌入分步推理逻辑、中间推导过程的推理类微调样本，适配数学、法律、工程研判逻辑任务。

DPO偏好样本：同一指令对应优质正向输出、劣质负向输出成对样本