作者：ybq
链接：https://zhuanlan.zhihu.com/p/6497090767
最近在清洗 sft 的数据，不得不说这工作是真磨人啊，细节多到让人抓狂。可能，这就是为什么从业者们都懂得 llm 的方法论，却依然没几个团队能造出好数据训出好模型吧。
借此机会，举个例子给大家聊聊 sft 数据能有多少繁琐的细节？也算是吐槽和分享自己的日常了。
先说一下为什么都 2024 年底了，还需要清洗 sft 数据，这不应该是去年就已经完成的工作吗？因为数据会过时，去年的高质量数据不代表今年还是高质量数据。
例如，user：你会选择猫作为宠物还是狗呢？
去年的 gpt4：作为大语言模型，我无法养宠物，吧啦吧啦。 今年的 gpt4：猫吧啦吧啦，狗吧啦吧啦，虽然我没有实体，但我推荐你吧啦吧啦。
显然，在去年，过度的安全是在大家的认可和接受范围之内的，但今年只会让用户觉着无趣，因此这条数据需要清洗，需要拿 gpt4 重新标注再加人工重新 review —— 总之，只要 OpenAI 还在更新模型，还在努力的为我们提供优质的数据生产器，我们就没理由不清洗数据。
题外话说完了，下面我以一个巨简单的 case 作为切入点，来谈谈 sft 的数据细节有多繁琐。这个 case 就是"以 json 格式输出"。
json 大家都很熟悉吧，我就不解释了。在我的认知里，json 就是能被 json.loads() 调用成功且不报错的字符串，想让模型做到以 json 格式输出也很简单，让 answer 过两行代码就搞定了。
data = json.loads(line)
json_str = json.dumps(data, indent=2, ensure_ascii=False)
大家肯定不觉着 json 工作有啥好展开说的，但有没有一种可能，json 格式还有变种：
makrdown 格式，需要在字符串前后加 ``json 和 ``` ，一般默认都要带上； intent = 4 呢 还是 intent = 2 呢还是 intent = 0 呢，prompt 说了还好办，prompt 要是没说呢，难道模型随机选一个数字来输出吗？我们需要统一 answer 中所有的 json 默认 intent； 有一种格式叫 jsonl，或者说是把 json 结果输出到一行中； 有一种需求叫不准进行 markdown 渲染； 有两种 prompt 分别叫：“先分析，再输出 json” 和 “除了 json，其他内容一律不准输出”； ……
emm，目前为止，大家可能还是不觉着 json 格式有多烦人，无非就是两个工作嘛：
选一个默认的 json 格式：带不带 markdown，intent 设置成几，是否输出在一行。然后把 sft 中所有涉及到的 json 数据全部清洗成这种格式； 补充那些对 json 格式有明确要求的 prompt，让模型不丢失灵活切换 json 格式的能力。
那我就继续提问：如果 prompt 里有 few_shot，但这个 few_shot 它是一个错误的 json，这时候是让模型模仿这个错误的 json 还是让模型严格按照 json 格式输出呢？
我随手测了下市面上体量最大的五家公司，好家伙给我五个答案 (do_sample = True）：
4o: markdown + 标准 json + intent 2 豆包：标准 json + intent 0 kimi：markdown + few_shot_json + jsonl qwen：few_shot_json + jsonl 文心：markdown + 标准 json + intent 4
你问我谁对，我只能说不知道。都是在尝试去 follow 格式，只不过有的模型是在 follow few_shot 的格式，有的模型是在 follow json 的格式。大家都对，全赢！我只是想用这个 case 强调，在训模型的时候，我们可以选用任何一种 json 风格，但是一定要统一。不要让模型随机出 json 风格，那不仅不利于模型训练，也会给用户的批量请求带来困扰。至于用哪种风格，让 PM 去调研一下客户需求即可。
大家也不要吐槽我的这个 prompt，觉着我是在没事儿找事儿，从业者应该都知道，这就是用户们最喜欢用的 prompt，你难道指望用户每次请求的时候，先去检验一下自己的示例是不是一个标准化 json 吗？单引号，中文引号，中文逗号，括号不匹配，……，各种错误比比皆是。
到了这一步，你是不是有点认同我“以 json 格式输出”不是一个简单的工作了。但别着急，我还有一个问题要问：在数值任务上，针对数字，json 格式是使用 float / int 类型呢，还是 str 类型呢？
大家肯定都想选前者，我认同，但我要提醒一下，前者会影响模型的准确率，因为数值任务有个要素叫“单位”。
这里必须质问 ChatGPT 老师，我的单位“百万$” 去哪里了？虽然没有在 prompt 中明确指出要带单位，但这不应该是默认的常识吗？我们不能指望用户写出高质量的 prompt 呀。
当然，我并不是要为了拷打 ChatGPT 老师，我是想表达，在 next_token_prediction 的过程中，当模型的 “net_profit”: 的下一个 token 生成了数字 5，而不是双引号 " 的时候，神仙也救不回来这个 response 了。因为一旦没有输出引号，就代表模型选择了输出数值类型，那就必然没办法带单位了。这也就是我说的让模型习惯用 float / int 类型输出数值，可能会影响效果的原因。
不过也有补救办法，构造 sft 数据提醒模型每次额外输出一个 unit 字段。
{
"2018": {
"net_profit": 5678,
"unit": "百万$"
}
}
至此，“以 json 格式输出”的大多数细节，我已经强调完毕了。所有的细节总结下来，还是那句话：用什么格式不重要，只用一种格式很重要！
无独有偶，当我被 json 格式输出搞得焦头烂额的时候， https://www.zhihu.com/people/bf1764dccc55b8f831b89c9103f41564 同学也没好到哪里去。
最近深入研究数学的他，cot 数据不好造他不找我讨论，数据集翻译成中文后专有名词失真他不找我讨论，o1 造数据太贵他也不吐槽，但是他却因为一个问题来找我讨论：“你觉着模型输出的美元符号该不该带转义符号呢？”
数学数据有大量的 latex 表达式，都需要用 公式 作为另外的含义，是不是得额外加个反斜杠呢？ 当 公式$ 包裹起来（很多数据集包起来了）？ 数值 1234 是不是应该全部写成 1,234？ 如果全都要用 1,234 的表达方式，怎么实现批量替换呢？毕竟 中的数字可不能给它加上这个逗号 ……
这真是：你以为 llm 算法工程师在各种算法中挥斥方裘，实际上在和标点符号斗智斗勇。
最后强调一句，这仅仅是一个以 json 格式输出啊，sft 最基本的指令任务，至于那些复杂指令的数据如何构造、有多繁琐，只能靠大家自己去意会了。很多 llm 的工作不是想象中那么简单的，懂得怎么做仅仅是刚入门，只有实践了才知道有多少细节需要兼顾，有多少复杂的场景需要处理。我举的是洗符号、洗格式、洗 prompt 的例子，但还有更多的算法实践是举例举不出来的。
