ml-engineeringsynthetic-datadata-generationfine-tuning
微调用合成数据生成：有效的技术
使用前沿模型生成高质量合成训练数据的实用技术——涵盖提示工程、数据增强和微调数据集的质量过滤。
Edward Xi Yang
每个微调项目都遇到同样的瓶颈：你需要数千个高质量标注示例，而你可能只有大约一百个。合成数据生成通过使用前沿模型为较小模型生产训练数据来解决这个问题。
技术 1：直接任务生成
提示前沿模型直接生成任务的输入-输出对。适合入门但多样性容易饱和。
技术 2：基于种子的扩展
从少量真实示例开始，让前沿模型生成变体。最常用且实用的技术。
技术 3：思维链提取
生成推理过程和输出。训练学生模型学习如何得到正确答案。
技术 4：对抗过滤
使用第二个模型识别和移除低质量示例。增加成本但质量改进显著——通常移除 15-30% 的生成示例。
质量信号
- 一致性检查：用不同提示生成同一输入两次，标签变化则示例有歧义
- 格式验证：程序化解析每个输出
- 去重：嵌入相似度阈值 0.95
- 分布平衡：确保无单一类别主导
常见失败模式
模式坍塌：表面多样但实际聚集于少数模式。 分布不匹配：合成数据反映前沿模型先验而非生产分布。 过拟合教师特征：学生模型学习前沿模型的风格特征。
Ship AI that runs on your users' devices.
Free plan with 30 credits/mo, no card required. Paid plans from $10/mo USD.
Keep reading
Unsloth、Axolotl 与 Ertas Studio 对比（2026）
Unsloth、Axolotl 与 Ertas Studio 在配置耗时、显存效率、多卡支持、实验追踪和 GGUF 导出这几个维度上的实测对比，以及不同规模的团队各自应该选择哪一个工具链。
Edward Xi Yang
Fine-Tuning 实际需要多少训练数据？
100、1,000 和 10,000 训练示例分别能带来什么，收益曲线在哪里变平，以及如何为你的任务做学习曲线分析。
Edward Xi Yang
Llama 8B 对比 Qwen 2.5 7B：QLoRA 实测
在同一张 RTX 4090 上以完全相同的 QLoRA 配置训练 Llama 8B 与 Qwen 2.5 7B，比较两者在分类、抽取和生成任务上的表现，以及各自的显存占用与训练速度差异。
Edward Xi Yang