早期邮政分拣系统面临的挑战，与如今使用大型语言模型 (LLM) 类似。 如同早期邮局因处理邮件数量不足而导致信件退回，不正确的输入格式也会导致 LLM 微调失败或效果不佳。OpenAI 使用 JSONL (JSON Lines) 格式作为微调数据的标准，确保数据结构化并易于处理。
JSONL 格式的优势
JSONL 格式采用逐行存储，每行一个 JSON 对象。这种格式简洁、易读，并与 OpenAI 的微调 API 兼容。其优势在于：
- 准确性: 确保模型正确处理数据，避免错误。
- 效率: 简化微调流程，提高效率。
- 可扩展性: 方便处理大型数据集。
JSONL 格式微调示例
以下是一个用于 OpenAI 模型微调的 JSONL 数据示例：
{
"message": [
{"role": "system", "content": "这是一个智能助手，用于将新闻文章分类为：商业、娱乐、体育、科技、政治"},
{"role": "user", "content": "澳航考虑将业务转移到海外"},
{"role": "assistant", "content": "商业"}
]
}
每个记录包含三个关键部分：
- system: 系统提示。
- user: 样本数据（新闻文章）。
- assistant: 对应的类别标签。
代码示例：
import json
import pandas as pd
# ... (假设已加载数据集到 pandas DataFrame: df) ...
system_prompt = "这是一个智能助手，用于将新闻文章分类为：商业、娱乐、体育、科技、政治"
with open('train.jsonl', 'w') as f:
for _, row in df.iterrows():
data = {
"message": [
{"role": "system", "content": system_prompt},
{"role": "user", "content": row['text']},
{"role": "assistant", "content": row['label']}
]
}
json.dump(data, f)
f.write('\n')
输出示例：
{"message": [{"role": "system", "content": "这是一个智能助手，用于将新闻文章分类为：商业、娱乐、体育、科技、政治"}, {"role": "user", "content": "澳航考虑将业务转移到海外"}, {"role": "assistant", "content": "商业"}]}
经验教训
早期邮政系统在邮件分拣方面遇到的问题，为我们提供了宝贵的经验。 如同邮局通过改进索引系统提高效率，我们也应重视数据格式在 LLM 微调中的重要性。 正确使用 JSONL 格式能够确保微调过程顺利进行，并获得准确可靠的结果。
