"让模型变聪明靠预训练，让模型变乖靠对齐。但对齐这条路，有人走了三步，有人只走了一步。"

引言：为什么需要对齐？

大模型预训练后，虽然具备了海量知识，但有三个问题：

1. 不对齐人类意图：你问"请帮我写一封邮件"，它可能继续补全为"请帮我写一封辞职信的模板……"
2. 可能产生有害内容：没有安全护栏，模型可能输出歧视、暴力等有害内容
3. 不会拒绝：面对超出能力范围的请求，不会说"我不知道"

"Garbage In, Garbage Out。微调效果 80% 取决于数据质量，20% 取决于训练方法。"

引言：为什么数据工程是微调的核心？

很多人把精力花在调学习率、选 LoRA rank、试不同优化器上，但忽略了最重要的事情：数据质量。

实践中，数据质量对微调效果的影响远超算法选择：

┌─────────────────────────────────────────────────┐
│          微调效果影响因素分析                     │
│                                                 │
│  数据质量     ████████████████████░░  80%       │
│  数据配比     ████████░░░░░░░░░░░░░░  15%       │
│  训练方法     ████░░░░░░░░░░░░░░░░░░   3%       │
│  超参调优     ██░░░░░░░░░░░░░░░░░░░░   2%       │
│                                                 │
│  结论：把时间花在数据上！                        │
└─────────────────────────────────────────────────┘

大语言模型是AI领域的革命性技术，它为自然语言处理和智能应用提供了强大的能力。
本文介绍了大模型的核心概念和应用方式，帮助你进入AI应用开发领域。

基模越来越强，不是让 SFT、RLHF、RL 消失，而是让它们从"补能力"转向"控行为、控偏好、控成本、控风险"。

打个比方：基模就像一个越来越聪明的"通才大学生"，以前你需要手把手教他客服话术、报告格式、业务流程。但现在这个大学生自学能力极强，你给他一份说明书（Prompt），他就能干得不错。甚至你花三个月培训出来的"专才"，下一代基模一发布，直接就能追上。