大模型SFT数据清洗：揭秘背后的繁琐与挑战

sft 数据的诸多繁琐细节~

原标题：LLM实践系列-聊聊大模型SFT的数据清洗过程有多繁琐
文章来源：智猩猩GenAI
内容字数：5802字

2024中国生成式AI大会（上海站）预告

2024年12月5日至6日，智猩猩联合主办的2024中国生成式AI大会将在上海举行。此次大会汇聚了来自各大机构的30多位专家嘉宾，包括北大（临港）大模型对齐中心执行主任徐骅、腾讯优图实验室天衍研究中心负责人吴贤等，欢迎各界人士积极报名参与。

数据清洗的重要性

在生成式AI的研发过程中，数据清洗是一个不可或缺的环节。尽管许多团队了解大语言模型（LLM）的基本方，但仍然面临清洗SFT（监督微调）数据的复杂性。随着时间的推移，去年的数据可能不再适用，因此定期更新和清洗数据显得尤为重要。

JSON格式输出的复杂性

文章中以“以JSON格式输出”为例，探讨了数据清洗的细节。虽然JSON格式看似简单，但实际操作中却存在多种变体和规则，比如indent值的选择、是否带有markdown格式等。对于模型的训练，统一格式至关重要，以避免输出不一致的问题。

数值任务中的格式问题

在处理数值任务时，使用float/int类型还是str类型的问题也引发了讨论。数值的单位常常被忽视，而这会直接影响模型的输出准确性。为了解决这一问题，可以在SFT数据中增加单位字段，以确保信息的完整性。

总结

总的来说，生成式AI的训练过程中，数据清洗和格式统一是基础而重要的环节。虽然这些工作看似繁琐，但只有通过不断的实践，才能真正掌握其中的复杂性。期待在2024中国生成式AI大会上，行业专家们分享更多前沿技术与经验。

联系作者

文章来源：智猩猩GenAI
作者微信：
作者简介：智猩猩旗下矩阵账号之一，聚焦大模型开启的通用人工智能浪潮。