OpenAI Fine-tuning 微调指南：数据、训练与评测
微调不是把最新知识永久“塞进模型”，也不是提示词写不好时的第一种补救。它更适合稳定的任务格式、分类边界、语气或重复行为，而需要频繁更新的事实资料通常更适合检索和工具调用。
1、先证明基础方案不够
先建立代表性评测集，测试当前推荐模型、清晰提示、少量示例和结构化输出。如果问题来自缺少实时数据，应增加检索或工具；如果问题来自权限和业务规则，应修改服务端。只有当大量稳定样本显示模型在某种重复行为上持续不足，才考虑微调。
2、准备训练数据
样本应反映真实输入分布和理想输出，格式一致、事实正确，并删除隐私、密钥和无权使用的内容。不要用模型批量生成未经人工审查的“标准答案”，否则会把原模型错误和机械表达重新训练进去。
训练集、验证集和最终测试集必须分开。测试样本不能出现在训练数据中，否则评测结果会过于乐观。边界案例、拒绝案例和容易混淆的类别应有足够覆盖，但不要用大量重复样本人为放大某个模式。
3、训练后如何验收
在同一测试集上比较基础模型与微调模型的任务成功率、格式错误、事实错误、拒绝行为、延迟、成本和人工修改时间。还要检查微调是否损害原本正常的通用能力。
微调模型上线后继续监控真实失败样本，但新增数据要经过审核再进入下一轮训练。模型、数据或任务发生显著变化时重新评测。下一页是本专栏的生产部署与官方资源入口。