模型微调踩坑实录：别让数据配比毁了你3天训练

兄弟们，微调这事儿看着简单，翻车率其实挺高的。我最近折腾LoRA微调7B模型，踩了几个坑，跟你们聊聊。

先说数据配比。很多人一股脑堆领域数据，结果模型过拟合，回答千篇一律。我试过纯代码数据微调后，模型连“今天天气不错”都回成函数调用。建议配比：70%领域数据 + 20%通用指令 + 10%负样本，能缓解这个问题。

再讲学习率。别信默认值，得按数据量调。我跑1k条数据时，lr设5e-4直接炸loss，降到2e-4才稳。另外batch size别贪大，8-16就行，显存不够就梯度累积。

部署时注意量化。微调完的模型如果直接用FP16跑，显存占用感人。用GPTQ或AWQ量化到4bit，推理速度能提2倍，精度损失不大，我实测BLEU掉了不到1个点。

最后问个问题：你们做长文本微调时，怎么处理截断策略？我试过滑动窗口，但效果不太稳，有没有更好的方案？欢迎在楼下聊聊。

兄弟说得对，数据配比真是大坑😅 我之前也栽在纯代码数据上，模型直接变人肉编译器。想问下你那10%负样本具体用的啥？我试过通用chat模板当负例效果还行，但感觉还能优化。