监督微调是什么？SFT 的示范数据、格式与评测方法
用工单提取例子解释 SFT 怎样学习输入与目标输出，说明训练格式、聊天模板和资料泄漏，并区分监督微调与把文档交给模型阅读。
先理解这个概念
监督微调SFT在已有模型上，用示范数据继续训练，让模型更倾向于产生目标输出。语言模型中常见资料是提示与回答，或者具有角色标记的对话。训练会改变模型参数，而普通对话中提供参考资料主要改变当前上下文。SFT适合调整任务行为，但示范质量有限时也会学入错误，不能保证新增事实始终正确。
先确定希望学习的输出和例外情况
例如从客服工单中提取订单号，目标回答可以只包含规定字段。示范不应总是完整订单，还要包含缺失号码和含多个号码的情况，明确何时留空或报告歧义。否则模型可能学会每次填一个值，甚至补出没有出现的号码。
这是数据设计示例，没有进行训练。收集资料时应检查同一输入的标注是否一致，清理错误示范，再划分训练与独立评测。相同工单稍改措辞后同时进入两边，会让成绩过于乐观，难以判断模型是否学会了泛化。
模型分词器和聊天模板必须匹配
TRL支持提示与补全文本，也支持具有消息角色的对话格式。聊天模板决定角色和轮次怎样转成模型接收的序列，训练与使用时不一致可能影响结果。模板不是装饰性的提示文字，不能随意更换特殊标记而忽略模型要求。
损失计算可以只覆盖目标回答等指定部分，具体设置需按训练器检查。SFT也不一定更新全部权重，使用适配器时只训练部分参数。查看训练产物应同时记录基础模型和适配器版本，避免把一个小文件误认为可单独运行的完整模型。
微调效果要与未训练版本同条件比较
保留基础模型在同一组工单上的结果，分别统计字段错误和资料不足时的编造，再检查格式通过率。格式正确但号码错误，仍是失败。不能只报告训练损失下降，也不能因为少数演示更顺畅就断言整体质量改善。
如果问题主要是缺少实时库存，检索或工具查询可能比记忆训练更合适；若模型总不按规定输出，SFT才可能直接针对行为。两种手段也可以组合，但应逐项验证。本文依据公开训练资料解释机制，不承诺固定样本数量或训练收益。
核对来源
以下资料用于核对概念和方法。文中的示例与测试范围分别注明，实际使用时请核对所用工具的版本。