Agent渡劫48关-第38关-训练数据为什么比LoRA参数更重要？原创

微调失败，别急着怪学习率先看样本质量、标签和分布。今天必须拍板，先修数据还是先调参。客户要的是可用模型，不是一堆脏样的，若标签错，分布偏，Ora再贵也就不了体验线上back case直接回灌最危险，客户投诉没分类，就近训练模型会把错误当规律，工单只会更多外部资料一致。Google ML讲过拟盒LS强调评估、观测教学是样本分布偏差，不会因参数调优消失。预期只解决四件事，清洗去重，分布审查不泄露，拆分不碰全量中标不先臭模型榜两条路，A、全量重洗重拆稳怠慢，B、抽样审计后见流水线快且可回滚。我倾向必先验证流水线，要防重负样本，二是去重。

标签冲突，人工复核拆分案，绘画隔离最怕验证及混进训练。先测基线标签错误率重复率分布KL验证泄露数成功率不是准确率是错误，样本下降，用户搜微调效果差，内容应讲数据质量与拆分，检索页要给检查清单，最终引导到评估报告，这次不建议投广告内部数据这里没有check红利，先用内容验证，不要做预算线5000册工具页转化全量人工中标，每月烧20万回收7不清批准8万做出样。审计与流水线ROI门槛是错误率降三成，线上数据入汛必须授权光敏留证据链子，谁绕过清洗直接回灌谁担责，合同里要能审计下一棒不是条参，是数据头脑M。

I东验收艾ex斯建流水线，David维的出击线艾维斯补证据我修正一期价值不是模型指标，而是让回答不胡编，销售承诺改成数据治理后模型可用率提升。一线验收必须看工单重复问题是否下降，Back case是否分类闭环只看离线分数不算客户恢复抽检200条发现约一成标签冲突，两成近重复，置信度中等，但足以支持先清洗再弹调餐范围震动tramill test按时间加绘画隔离back case先入待审池。一期不做在线学习，最终tradeoff牺牲全量中标换两周可回滚流水线契约锁样本ID来源标签版本实现路径每日增量跑哈去众冲突标签仅人工队列。

部分成功先写影子表，事务外补偿重试成功线标签错误率低于3%，重复率低于2%，泄露为0，停止线错误率反弹超5%，自然增长验证发布拆分检查清单和评估模板，目标收录后自然访问500下载模板转化超8%，付费验证后置若无板转化低于3%不投，超过8%再拿日预算1000测开预算所8万超支必须停，若两周后错误率没降三成砍掉人工重标只保留自动去重合拆分合规门槛已过脱敏授权审计日志三项齐备，红线是原始客户文本不得出境违规及回滚执行清单。Bob周三交差分歧约Alex周五跑通流水线，David的下周一给基线。

艾玛签字验收拍板，先做数据治理，流水线不调参不追量，能回换2周验收，错误率泄露，补工单失败回退就数据。