1. 核心结论

• 指令微调（Instruction Tuning）让基座模型学会遵循人类指令
• 高质量的指令数据比数量更重要
• SFT（Supervised Fine-Tuning）是最常用的指令微调方法

2. 基础概念

指令微调：使用指令-响应对训练模型遵循指令的能力 SFT：有监督微调，使用人工标注的高质量指令数据 指令数据：包含任务指令和期望输出的训练数据对 LoRA/QLoRA：高效的参数微调方法，只训练少量参数

3. 实战场景

• 构建领域专属模型
• 提升模型的指令遵循能力
• 多任务学习

4. 关联笔记

• 基座模型
• RLHF与偏好对齐
• 训练、微调与推理