发生了什么
这是关于监督微调数据准备的两篇系列文章中的第二篇，重点讨论进阶策略。
文章涵盖四个主要方向：利用学习曲线评估数据就绪程度、挑选高价值数据子集、通过合成与蒸馏示例增强数据，以及混合数据源以避免灾难性遗忘。
为什么重要
对于从事模型微调的团队，数据质量与构成直接影响微调效果。这些进阶策略有助于更高效利用数据资源，并减少训练中的遗忘问题。
学习曲线等方法让数据准备从依赖经验转向可评估、可判断的流程，帮助团队在投入大规模训练前做出更明智的决策。
关键事实
本文是两篇系列文章中的第二篇，聚焦进阶数据策略。
文章介绍了用学习曲线评估数据就绪度、选择高价值数据子集。
还涉及使用合成与蒸馏示例增强数据，以及混合数据源防止灾难性遗忘。
接下来看什么
读者可以回顾该系列的第一篇文章，以理解基础流程并更好衔接进阶策略。
后续可关注这些策略在真实微调任务中的应用效果，以及是否有配套工具或实践案例发布。