人工智能实战：大模型微调数据怎么治理？从前期发现“越训越差”到数据清洗、质检与 LoRA 验收一、问题场景：微调后模型更像业务了，但通用能力掉了很多团队在 RAG 和 Prompt 优化之后，会考虑微调。目标通常是：1. 让模型更懂业务话术 2. 提升固定格式输出 3. 适配客服风格 4. 提高特定任务准确率 5. 降低 Prompt 复杂度但微调不是万能药。我见过一个案例：团队用几千条客服问答数据做 LoRA 微调。训练后内部测试感觉模型更像客服了。但上线前评测发现：1. JSON 输出稳定性下降 2. 遇到无答案问题更喜欢编 3. 回答变得模板化 4. 对新问题泛化差 5. 原本会拒答的问题开始强行回答最终排查发现：训练数据里大量客服为了安抚用户，会在资料不足时给模糊承诺。模型学到了这种模式。所以微调效果差，不一定是训练参数问题，很多时候是：数据质量问题。本文解决的问题是：