登录到千帆ModelBuilder操作台，在左侧功能列选择通用数据集，进入主任务界面。

数据格式说明

Prompt+Response：单轮或多轮的文本对话数据，提问与回答一一对应，支持系统角色设定。适用于模型精调的有监督微调SFT或偏好对齐RFT。

• 无标注样例

# "system"为选填字段，代表系统角色设定信息。
[{"system":"你是一个专业的新闻摘要撰写助手，擅长使用简洁明了的语言来提炼核心信息。","prompt":"请根据下面的新闻生成摘要, 内容如下:据315晚会报道...\n请生成摘要。"}]

平台支持上传无标注样例，您可在平台上进行数据标注，标注方式包括在线标注、多人标注和众测标注。只有标注完成的数据集，才能被发布并用于训练。

• 单轮对话（含标注）

# "system"为选填字段，代表系统角色设定信息。
[{"system":"你是一个AI学习助手。","prompt":"我想了解一下机器学习是什么。","response":"机器学习是人工智能的一个分支..."}]

• 多轮对话（含标注）

在多轮对话的监督式微调（SFT）中，为避免模型学习错误信息，可以通过为对话数据集配置 weight 字段，选择性地跳过特定轮次的回答，使其不参与损失函数的计算，从而避免影响模型性能。

注意：含 weight 字段的数据仅在 ERNIE Tiny、ERNIE Character、ERNIE Lite 0308、ERNIE Lite128K-0419 和 ERNIE Speed 模型精调SFT中可用，该字段对其他模型开放的情况，请您时刻关注官方说明。

# "weight"为选填字段，默认为1，表示当前及历史轮次参与SFT精调，并对当前轮次计算loss；"weight"为0时，表示当前轮次不参与SFT精调的loss计算。
[{"prompt":"生成一首诗歌吧。","response":"好的，请问你想让这首诗歌关于什么主题呢？","weight":0},
{"prompt":"主题关于秋天。","response":"秋风轻抚过金黄的稻田...","weight":1}]

平台支持上传多轮对话，但每个样例中的对话限制不超过150轮，超出部分将会被截断。

• 单轮对话（含思维链）

# "system"为选填字段，代表系统角色设定信息。
[{"system": "你是一名新闻行业从业者", "prompt": "请根据下面的新闻生成摘要, 内容如下:新华社受权于18日全文播发修改后的《中华人民共和国立法法》。\n生成摘要如下:", "reasoning_content":"用户想要生成新闻摘要，需要保持内容严谨整洁。","response": "修改后的立法法全文公布。"}]

• 多轮对话（含思维链）

# "weight"为选填字段，默认为1，表示当前及历史轮次参与SFT精调，并对当前轮次计算loss；"weight"为0时，表示当前轮次不参与SFT精调的loss计算。
[{"system": "你是一个旅游规划小助手，可以帮助游客们做攻略", "prompt": "介绍一下北京吧", "response": "北京，简称“京”，古称燕京。", "weight": 1}, {"prompt": "我在上海，周末可以去哪里玩？", "reasoning_content":"用户想要生成一个上海旅游攻略", "response": "上海是一个充满活力和文化氛围的城市，有很多适合周末游玩的地方。以下是几个值得推荐的地方...", "weight": 1}]

思维链数据精调

思维链模型在处理复杂推理任务时，通常能提供更清晰的推理路径和更准确的结果。为了充分发挥思维链模型的能力，建议在进行精调时选择适合的场景和方法。

适合思维链精调的典型场景

思维链模型尤其适用于时延要求较低的复杂推理任务：

• 数学推理：例如数学问题求解、数值计算、定理证明等。
• 逻辑推理：例如逻辑推演、因果关系推断、逻辑谜题解析等。
• 意图识别：例如复杂对话、隐晦文本中的用户意图识别与理解。
• 代码生成：例如编程代码的自动生成、代码纠错与优化等。
• 任务规划：例如多步骤操作规划、流程自动化等场景。

推荐策略

• 使用包含思维链（reasoning_content）的数据对已具备思维链能力的模型进行精调。

慎用策略

• 使用带有思维链的数据精调不支持思维链的模型，模型可能无法有效学习到思维链能力。
• 使用不含思维链的数据精调支持思维链的模型，模型可能失去思维链能力。

数据文件要求

• 文件编码支持UTF-8。

数据导入方式

创建数据集完成后，在数据集管理页面中，找到该数据集，点击右侧操作列下的“导入”按钮，即可进入导入数据页面。

您可以使用以下方案上传数据集：本地导入、BOS导入、分享链接导入、平台已有数据集。

FAQ挖掘

基于导入文档通过大模型服务自动挖掘生产问答对，需配置服务及应用。大模型挖掘问答对数量取决于您的语料文档字符数量。平均而言，每2000字符大约可挖掘出10个问答对。

其中服务为ERNIE-4.0-8K、ERNIE-3.5-8K、ERNIE-Speed-8K、ERNIE-Lite-8k，四种服务选择其中一项，上传文本都会进行预置服务标注，可在数据标注中查看详情。

支持以下三种导入方式：

自定义字段

system、prompt、response 和 weight 是平台预留字段，会参与SFT模型精调。

除这些预留字段外，Prompt+Response数据集还额外支持您在数据中扩展自定义业务字段，为数据集样本附加多维度元信息，例如实际业务指标、终端用户反馈和分类标签，可在数据准备过程中指导您更好地进行数据洞察与处理。

注：自定义字段主要用于在数据洞察环节辅助样本筛选与处理，不会参与到模型精调环节；自定义字段的键名需由英文和数字组成，不支持中文字符

jsonl格式

在jsonl格式的SFT单轮对话数据集中，您可以在每个样本对话后添加自定义字段。在多轮对话数据集中，您可以在首轮对话后添加包含样本元信息的自定义字段。

以知识问答场景的单轮对话数据集为例，您可以增加 area 和 complexity 两个键值对，为每个样本附加问题领域和难度信息。

[{"prompt":"什么是大语言模型？","response":"大语言模型（Large Language Model，简称LLM）...","area":"人工智能","complexity":"中等"}]
[{"prompt":"请你证明费马大定理","response":"由于费马大定理的证明非常复杂且涉及高级的数学概念，我无法在这里给出一个完整的证明过程。","area":"数学","complexity":"困难"}]
[{"prompt":"热胀冷缩是什么导致的？","response":"热胀冷缩现象是物质的一种基本性质，其主要原因与物质内部的微观结构以及粒子间的相互作用有关。","area":"物理","complexity":"简单"}]

xlsx和csv格式

您也可以选择在xlsx和csv格式的SFT数据集中添加自定义字段，数据集首行的列名为自定义字段的键名（需由英文和数字组成）。以xlsx格式为例，上述样本可以通过添加 area 和 complexity 两列，来代表自定义字段。

数据洞察

将完成上传后，在SFT数据洞察环节，您可以利用 area 字段统计问题领域分布，或利用 complexity 字段统计问题困难度分布，以帮助您更好地“诊断”SFT数据集，从而对数据进行更针对性处理。

您的自定义字段可能会包括实际业务指标、终端用户反馈或分类标签等。结合自定义字段进行筛选，您可以精准锁定感兴趣的样本，便于进一步编辑和处理，助力数据飞轮场景的精调迭代。