1、什么是SFT？

SFT，全称是 Supervised Fine-tuning(有监督微调)，在大语言模型中通常指“指令微调”。

它是在大模型经过预训练、具备通用语言能力后，通过进一步微调让它学会理解人类意图，生成有用回答。

SFT 的目标是通过一批高质量的“指令-回复”对，让大模型学会：

什么是“有用”的回答

如何有逻辑地、结构地回应用户指令

如何按照不同任务的需求(总结、翻译、写代码等)采用合适的表达方式

简单说: 预训练是“学语言”，SFT是“学听话”

最近两年，大家都可以看到AI的发展有多快，我国超10亿参数的大模型，在短短一年之内，已经超过了100个，现在还在不断的发掘中，时代在瞬息万变，我们又为何不给自己多一个选择，多一个出路，多一个可能呢？

与其在传统行业里停滞不前，不如尝试一下新兴行业，而AI大模型恰恰是这两年的大风口，整体AI领域2025年预计缺口1000万人，其中算法、工程应用类人才需求最为紧迫！

学习AI大模型是一项系统工程，需要时间和持续的努力。但随着技术的发展和在线资源的丰富，零基础的小白也有很好的机会逐步学习和掌握。【点击蓝字获取】

【2025最新】AI大模型全套学习籽料（可白嫖）：LLM面试题+AI大模型学习路线+大模型PDF书籍+640套AI大模型报告等等，从入门到进阶再到精通，超全面存下吧！

2、SFT的流程是怎样的?

整个过程可分为四个主要步骤：

准备数据(指令-回答对)

数据来源可能包括:

真实用户提问 +人工精心撰写的优质回答

专门设计的任务指令及对应回复

高质量开源数据集(如 Alpaca、ShareGPT等)

每个样本的形式通常是:

输入:一个用户指令

输出:一个理想回复

构造训练格式(加特殊 Token)

为了让模型区分“指令”和“回答”，通常会加上一些特殊的标记(token)，比如:

请介绍一下绍兴

<|assistant|>绍兴是浙江省的历史文化名城……

这些标记帮助模型判断哪一部分是提问，哪一部分是它需要生成的回复。

训练前会通过 tokenizer 把文本切成 token 序列，如：“请介绍一下绍兴”→[1432,2101,847,1067]

训练方法

和预训练阶段的自监督学习不同，SFT使用的是标准的监督学习：在给定指令的基础上，学习如何生成与目标回答一致的内容。

损失函数通常还是交叉熵(Cross Entropy Loss)，用来衡量模型生成的 token 和理想答案之间的差距。

训练过程

训练过程主要包括:

将用户输入(指令)和目标回复拼接成一个完整的 token序列

并行预测每个 token 的下一个 token

只在<|assistant|>之后的部分计算损失

反向传播，更新参数

重点: 用户输入部分不计算损失，目的是避免模型记忆、复述、或篡改用户问题，而是专注于生成有用回答。

此外，训练中也可加入:多轮对话上下文，帮助模型理解语境。

3、SFT的作用和局限

预训练: 教模型学语言，理解语法、常识、表达方式但这阶段的模型不能准确遵循指令生成内容，只是机械地补全文本。

SFT(指令微调): 教模型听懂人话，按照指令-完成任务，比如写诗、总结、答题。它让模型从“语言模型”变成了“初步的对话助手”。

但 SFT 无法处理以下问题:

模型更偏好哪种回答风格?哪个更符合人类喜好?

如何避免输出攻击性内容、虚假信息、立场偏差?

这些问题，靠模仿人类回答还不够，还需要下一阶段：RLHF(基于人类反馈的强化学习)，让模型“更合人意”。

最近两年，大家都可以看到AI的发展有多快，我国超10亿参数的大模型，在短短一年之内，已经超过了100个，现在还在不断的发掘中，时代在瞬息万变，我们又为何不给自己多一个选择，多一个出路，多一个可能呢？

与其在传统行业里停滞不前，不如尝试一下新兴行业，而AI大模型恰恰是这两年的大风口，整体AI领域2025年预计缺口1000万人，其中算法、工程应用类人才需求最为紧迫！

学习AI大模型是一项系统工程，需要时间和持续的努力。但随着技术的发展和在线资源的丰富，零基础的小白也有很好的机会逐步学习和掌握。【点击蓝字获取】

【2025最新】AI大模型全套学习籽料（可白嫖）：LLM面试题+AI大模型学习路线+大模型PDF书籍+640套AI大模型报告等等，从入门到进阶再到精通，超全面存下吧！