SFT（监督微调）
监督微调：拿一批「输入配一条人工写好答复」的成对样本接着预训练目标继续训；损失函数没换、换的是数据分布，所以它教的是回答的样子，不是知识本身。
生产方式：AI 生成AI 生成，仅供参考签发：晓黎学习复核：2026年11月1日被 16 个词条引用
监督微调（supervised fine-tuning，简称 SFT）的做法一句话能说清：拿一批「输入配一条人工写好的答复」的成对样本，接着预训练那套目标继续训——还是给定上文猜下一个词，只不过上文换成了问题，要猜的那个词换成了答复里的词。
关键是那句：损失函数没换，换的是数据。它特别擅长把模型推进「看到这种问就出这种答」的区域——结构、长度、语气、要不要反问；但它没有为「记住一条事实」设计任何专门机制。所以课程的口号是：SFT 教的是格式，知识不是它给的，预训练才装知识。
在完整的 RLHF（人类反馈强化学习） 管线里，SFT 是第一道工序：人写的示范进监督微调。
相关
互链
链接来自概念卡正文里的双链，编译时能解到本期词条集的才成为站内链接。
- 微调（Fine-tuning）相关概念
- DPO（直接偏好优化）相关概念
- RLHF（人类反馈强化学习）正文引用
反链（16）
- 大模型（LLM）正文引用
- 对齐（Alignment）正文引用
- 对齐（Alignment）相关概念
- 后训练（Post-training）正文引用
- 基座正文引用
- 检索（Retrieval）正文引用
- 模型合并相关概念
- 损失函数（Loss Function）正文引用
- 微调（Fine-tuning）正文引用
- 微调（Fine-tuning）相关概念
- InstructGPT正文引用
- InstructGPT相关概念
- LIMA（Less Is More for Alignment）相关概念
- ORPO正文引用
- ORPO相关概念
- RLHF（人类反馈强化学习）正文引用
出现在哪些课时里（5）
判据与「课时正文里能不能点出来」是同一个：那一节确实提到了它。点课时走当前页跳转， 它是导航，不是词条链接。
- 基座只会续写，听话是后来加上的大模型后训练：偏好、权重与测得出退化的评测
- SFT 教的是格式，知识不是它给的大模型后训练：偏好、权重与测得出退化的评测
- RLHF 三步各吃什么数据大模型后训练：偏好、权重与测得出退化的评测
- DPO 一家省掉了哪一步大模型后训练：偏好、权重与测得出退化的评测
- 四种失败形状，各指向哪一步大模型后训练：偏好、权重与测得出退化的评测
关联图
只画这一条与它直接相连的词条，边与上面两区同源。可拖拽、可缩放，点节点是新标签。
出处
路径是本地知识库（Obsidian 库）里的位置，正文与概念卡逐字对应。
- 课程正文用法归纳SFT 教的是格式，知识不是它给的
packages/db/prisma/lesson-content/sft-teaches-format-not-facts.md - 课程正文用法归纳基座只会续写，听话是后来加上的
packages/db/prisma/lesson-content/pretrain-only-continues-text.md - 课程正文用法归纳RLHF 三步各吃什么数据
packages/db/prisma/lesson-content/rlhf-three-stage-pipeline.md - 课程正文用法归纳课程派生词条 · 模型训练与后训练
编译入库：2026年11月2日。词条由知识库编译而来， 修正要回到概念卡改，再重新编译。