اولین instinct همه‌ی ما در تنظیم دقیق یکی است: داده‌ی بیشتر. خزنده را راه بیندازید، هر چیزی که به دامنه نزدیک بود جمع کنید، صد هزار جفت بسازید و بدهید به مدل. نتیجه‌ی رایج این مسیر هم یکی است: مدلِ شلوغ — در بعضی سؤال‌ها بهتر، در بعضی‌ها بدتر از قبل، و در همه‌ی آن‌ها با لحنی که شما انتخاب نکرده‌اید. درس جمع‌شده از تجربه‌ی تیم‌های مختلف یک جمله است: در تنظیم دستورالعملی، کیفیت و تنوع داده بیشتر از کمیتش اهمیت دارد. این مطلب درباره‌ی «چطور» است: خط لوله‌ای که داده‌ی خام را به داده‌ی آموزشی تبدیل می‌کند.
نمونه‌ی خوب چه شکلی است؟
قبل از فیلتر کردن، تعریف لازم است. یک نمونه‌ی دستورالعملی خوب چهار ویژگی دارد: درستی — پاسخ از نظر واقعی و منطقی سالم است؛ به‌خصوص برای دامنه‌های تخصصی. وضوح دستور — پرسش، خودش را روشن مطرح می‌کند و پاسخ واقعاً به همان پرسش جواب می‌دهد نه به چیزی شبیهش. سبک مطلوب — طول، لحن و ساختار پاسخ همان چیزی است که در محصولتان می‌خواهید؛ داده‌ی آموزشی تنها جایی است که مدل از شما «ادب تولیدی» یاد می‌گیرد. و ارزش یادگیری — نمونه‌ای که مدل از قبل بلد است، تقریباً هیچ اضافه نمی‌کند؛ نمونه‌های دشوار و مرزی، هر توکن‌شان سنگین‌تر است.
خط لوله‌ی پالایش، مرحله به مرحله
فیلترهای قاعده‌ای (ارزان‌ها اول): طول بیش‌ازحد یا کم‌ازحد، رشته‌های خراب‌شده‌ی encoding، ورود کد به متن فارسی یا برعکس، قالب شکسته، پاسخ‌هایی که با «به‌عنوان یک مدل زبانی» شروع می‌شوند — همه با regex و قواعد ساده حذف می‌شوند. این مرحله ارزان است و معمولاً ۱۰ تا ۳۰ درصد داده را از دم بیرون می‌گذارد. حذف تکرار: تکرارِ تقریبی خطرناک‌تر از تکرارِ دقیق است — هزار نسخه‌ی یک پرسش با چینش متفاوت، مدل را به آن پرسش بیش‌ازحد حساس می‌کند. embedding بگیرید و خوشه‌های نزدیک را به یکی دو نماینده تقلیل دهید. امتیازدهی با مدل قوی: یک مدل بزرگ‌تر، جفت‌های پرسش-پاسخ را بر اساس معیارهای صریح امتیاز می‌دهد: درستی، ربط، کامل بودن، سبک. امتیازدهی چندمعیاره و ساخت‌یافته بگیرید، نه «خوب/بد» — و خودش را هم با یک نمونه‌ی دست‌برچسب‌خورده اعتبارسنجی کنید، چون داورِ مدلِ خودش خطا و سوگیری دارد.
بازنویسی به‌جای دور ریختن: بخشی از نمونه‌های ضعیف، ایده‌ی خوبی با پاسخ بد دارند — این‌ها گران‌بهاترین دارایی شماست. پاسخ را با مدل قوی بازنویسی کنید و دوباره وارد صف داوری کنید. ساخت نمونه‌ی سخت: از دامنه‌ی خودتان، پرسش‌های مرزی و چندمرحله‌ای بسازید — این‌ها همان‌هایی هستند که مدل واقعاً روی‌شان یاد می‌گیرد؛ منبع عالی برایشان خروجی واقعی کاربران و موارد ارجاع‌شده به پشتیبانی است.
تعادل ترکیب: سهم هر وظیفه
بعد از پالایش، ترکیب را طراحی کنید. سه قاعده‌ی تجربی: سهم را به اهمیت محصول بدهید نه به فراوانی داده — اگر ۸۰٪ کاربری محصول شما خلاصه‌سازی است، دیتاست هم باید همین را نشان بدهد، حتی اگر داده‌ی خلاصه کمیاب‌تر باشد. داده‌ی عمومی را کامل حذف نکنید — چند درصد نمونه‌های عمومیِ متنوع، جلوی فراموشی مهارت‌های پایه و سفت‌شدن لحن را می‌گیرد. سوگیری قالب را بشکنید — اگر همه‌ی پاسخ‌هایتان لیستِ پنج‌موردی‌اند، مدل هر جواب را لیستِ پنج‌موردی می‌دهد؛ قالب پاسخ‌ها را متنوع کنید.
داده‌ی آموزشی حکم کد را دارد: تمیز، بازبینی‌شده و با تست — نه انبوه و دست‌نخورده.
چقدر کافی است؟
عدد جادویی وجود ندارد، اما مرجع واقع‌بینانه برای یک وظیفه‌ی دامنه‌ای مشخص، چند هزار تا چند ده هزار نمونه‌ی پالایش‌شده است — نه صدها هزار خام. راه تشخیص کفایت هم حرف‌زدن نیست: منحنی ارزیابی را بکشید. مدل را روی نسخه‌های ۲۵٪، ۵۰٪ و ۱۰۰٪ داده آموزش دهید و کیفیت را روی مجموعه‌ی ارزیابی ثابت مقایسه کنید؛ اگر از ۵۰٪ به ۱۰۰٪ جهشی نبود، بقیه‌ی بودجه را به پالایش بدهید نه جمع‌آوری. ابزار آموزش را در LoRA و تفکر جایگزین‌ها را در RAG در برابر Fine-tuning ببینید.
جمع‌بندی
خط لوله‌ی پیشنهادی به‌ترتیب اجرا: فیلترهای قاعده‌ای، حذف تکرار برداری، امتیازدهی ساخت‌یافته با مدل قوی، بازنویسی ضعیف‌ها، طراحی ترکیب، و منحنی کفایت برای تصمیم توقف. شروع عملی: داده‌ی فعلی‌تان را برچسب بزنید — چند نمونه واقعاً درست‌اند؟ چند نمونه تکرارِ تقریبی‌اند؟ این دو عدد، نقطه‌ی شروع بهبود شماست. برای تولید داده‌ی معلم‌محور، تقطیر دانش را بخوانید و مرحله‌ی بعدیِ هم‌ترازی رفتار را در هم‌ترازی با بازخورد انسانی ببینید. برای تست تنظیم دقیق روی داده‌ی خودتان، یک حساب بسازید.