SFT 监督微调（Supervised Fine-Tuning）是聊天模型“上岗”前的培训环节：用成千上万条“指令-回答”示范数据，教预训练好的大模型按人类期望的方式说话做事。注意，它不是给模型灌输新知识，而是教模型“把已经学到的东西，用对格式讲出来”。
预训练、SFT、RLHF 各管什么
聊天模型的训练流水线通常是三步走：预训练 → SFT → RLHF（或 DPO 等对齐方法），三者分工完全不同：
| 阶段 | 学什么 | 一句话 |
|---|---|---|
| 预训练 | 从海量文本中学语言规律和世界知识 | 学会“说话和懂事” |
| SFT | 从指令示范中学“听从指令、按期望格式回答” | 学会“按要求办事” |
| RLHF / DPO | 从人类偏好中学“更安全、更有用” | 学会“让人满意” |
SFT 是怎么做的
第一，准备指令数据集：成千上万条“用户指令-理想回答”对，覆盖问答、写作、代码、推理等任务。第二，训练时损失只算回答部分：模型看完整条数据，但只被考核“回答得像不像示范”，指令部分不算分。第三，质量远比数量重要：研究已表明，几百到上千条高质量示范，效果往往超过几十万条粗糙数据。
顺带一提，SFT 不一定需要全量微调。LoRA 微调等参数高效方法可以用低成本完成 SFT，是个人和小团队的常用选择。
SFT 的天花板
第一，学不会训练截止后的新知识：知识上限由预训练决定，SFT 只教“表达方式”。第二，行为克隆的天花板：模型最多学到示范数据的水平，超不过示范者的能力。第三，数据里的偏差会被放大：示范数据里的偏见和错误，模型会一并学会并巩固。
三个常见误解
误解一：“SFT 数据越多越好。” 错。烂数据会教出坏习惯，高质量示范才是关键。
误解二：“SFT 后模型就变聪明了。” 错。模型的知识量没有变，只是更会答题了；能力天花板在预训练阶段就已定型。
误解三：“做了 SFT 就不需要提示词工程和 RAG 了。” 错。SFT 定的是模型的“默认行为”，RAG 解决“实时知识”，提示词工程解决“当下任务”，三层各管各的，互相替代不了。
SFT 的本质，是给模型做一次“职业习惯培训”：它不改变模型知道什么，只改变模型怎么回答。
