本篇 10 题｜覆盖初级到高级｜数据工程与质量。先用自己的话回答，再核对参考要点，最后练习工程追问。
本篇目录
- SFT-011 微调数据越多越好吗？
- SFT-012 训练集、验证集和测试集如何划分？
- SFT-013 如何检测近重复样本？
- SFT-014 如何制定标注规范？
- SFT-015 合成数据有哪些风险？
- SFT-016 如何处理类别不平衡？
- SFT-017 训练数据包含隐私时怎么办？
- SFT-018 怎样处理错误或冲突标签？
- SFT-019 难例应该占多大比例？
- SFT-020 数据集版本需要记录什么？
SFT-011 微调数据越多越好吗？
难度：中级
参考答案：不一定，重复、错误和目标不一致的数据可能降低效果。优先提高覆盖与正确性，再通过受控实验观察数据规模带来的边际收益。
工程追问：怎样识别数据量增长但有效信息没增长？
SFT-012 训练集、验证集和测试集如何划分？
难度：中级
参考答案：按用户、来源文档、时间或任务族等相关单位隔离，防止近重复泄漏。验证集用于调参，测试集保留给最终评估，不能反复据其优化。
工程追问：同一文档生成的问题应如何划分？
SFT-013 如何检测近重复样本？
难度：中级
参考答案：结合规范化哈希、文本相似度或语义聚类识别重复，再按来源与任务判断保留。尤其检查跨数据集重复，避免测试成绩被记忆效应抬高。
工程追问：近似表述但标签不同怎么办？
SFT-014 如何制定标注规范？
难度：中级
参考答案：明确输入范围、答案标准、边界情况与拒答规则，提供正反例和争议处理流程。抽样复核一致性，不能只给标注者一个笼统任务名称。
工程追问：规范更新后旧标签如何处理？
SFT-015 合成数据有哪些风险？
难度：中级
参考答案：可能复制教师模型错误、表达风格单一或缺少真实难例。保留来源标记，结合规则与人工校验，并用独立真实样本评估泛化。
工程追问：怎样防止合成数据污染测试集？
SFT-016 如何处理类别不平衡？
难度：中级
参考答案：先确认真实分布和业务代价，再选择采样、损失权重或补充少数类数据。评测按类别报告，避免总体准确率掩盖重要类别失败。
工程追问：过采样会造成什么副作用？
SFT-017 训练数据包含隐私时怎么办？
难度：中级
参考答案：确认使用依据与必要性，脱敏或移除不必要个人信息并限制访问。评测是否出现记忆复述，训练后模型和检查点也应纳入数据治理。
工程追问：删除原文件就能消除模型记忆吗？
SFT-018 怎样处理错误或冲突标签？
难度：中级
参考答案：回到来源与标注规则裁决，无法确认的样本隔离或标记不确定。不要简单用多数标签覆盖少数，因为错误可能系统性集中在常见标注者。
工程追问：如何发现系统性的标注偏差？
SFT-019 难例应该占多大比例？
难度：中级
参考答案：没有通用比例，应结合真实流量、错误代价与模型短板设计混合。过度集中难例可能损害常见任务，需用分层评测观察取舍。
工程追问：如何避免训练集变成极端案例集合？
SFT-020 数据集版本需要记录什么？
难度：初级
参考答案：记录来源、许可、清洗脚本、样本清单、划分策略和内容哈希。任何数据修订都可追溯，才能解释不同训练结果和响应删除请求。
工程追问：只保存一个压缩包是否足够？
复盘练习
任选一题，用“场景与约束 → 方案 → 验证方法 → 失败边界”组织一段回答。初级先讲清概念，中级补实现与测试，高级补成本、权限和故障取舍。难度标签是学习建议，同一题可继续深入。
延伸阅读
以下为本模块相关原始论文与官方文档，用于继续学习；本文为原创面试要点整理，具体框架行为以所用版本为准。