领域适配微调和通用 SFT 有什么区别？如何避免只学到术语？
简化版
领域适配微调的目标不是让模型背术语，而是让它在特定行业语境下形成更稳定的任务行为、表达规范和判断边界。它比通用 SFT 更强调领域数据覆盖、负例、评测集和上线场景闭环。
详细版
- 通用 SFT 偏向指令跟随和通用任务格式，领域适配关注专业语境。
- 数据应覆盖高频任务、专业术语、业务流程、边界案例和拒答场景。
- 只堆语料会让模型学会口吻，不一定学会专业判断。
- 评测要包含领域事实、推理步骤、合规约束和用户体验指标。
- 常与 RAG、工具和规则系统组合，而不是单靠微调解决知识更新。
完整版教学
这道题考察候选人能否把微调目标从“喂行业数据”提升到“塑造可交付行为”。
一、这题真正考什么
这道题考察候选人能否把微调目标从“喂行业数据”提升到“塑造可交付行为”。
面试官通常不是想听一个孤立定义，而是想看你能不能把概念、工程约束、质量风险和排查方法串起来。回答时先给边界，再讲机制，最后落到评估指标。
二、核心机制怎么工作
领域适配微调通常使用领域问答、流程示例、专业写作样本和错误示范来调整模型输出分布。它适合沉淀稳定行为和风格，但对频繁变化的事实知识不如 RAG 灵活，因此训练前要区分哪些能力应写进权重，哪些知识应外部检索。
需要特别注意的是，这类问题通常有“模型侧”和“系统侧”两层含义。模型侧解释原理，系统侧解释为什么上线后会遇到成本、延迟、质量或安全问题。
三、带数字的拆解
医疗客服模型若只有 5000 条术语解释，可能会变得像百科；加入 3000 条分诊问答、1000 条拒答边界、1000 条对话澄清和 500 条评测案例后，才更接近可上线系统。
这个数字例子在面试里很有用，因为它能把抽象概念变成可估算的工程量。候选人如果能主动算出量级，通常比只背定义更有说服力。
领域样本 = 高频任务 + 边界案例 + 反例 + 输出规范
上线收益 = 任务成功率提升 - 幻觉/合规风险增加 - 训练维护成本
知识更新频率高 => 优先 RAG；行为格式稳定 => 可考虑微调四、流程图和工程落点
可以把它拆成下面这条链路来讲：
定义领域任务
|
拆分知识、流程、风格、边界
|
构造训练集与保留评测集
|
小规模实验
|
错误分析
|
数据迭代与上线监控工程落点通常包括三件事：第一是输入输出边界，第二是运行时成本，第三是质量验收。只要这三件事没有闭环，原理讲得再漂亮也很难变成可靠系统。
五、和相近方案怎么区分
| 方案 | 主要改变 | 适合内容 |
|---|---|---|
| 通用 SFT | 指令跟随和格式 | 通用助手行为 |
| 领域适配 | 专业语境下的行为 | 稳定任务和表达规范 |
| RAG | 可更新外部知识 | 政策、文档、产品资料 |
| 规则系统 | 确定性边界 | 合规、权限、流程控制 |
面试时不要只说“看场景”。更好的回答是先给出区分维度，再说明每个方案为什么适合或不适合某类约束。
六、上线或训练时最容易踩的坑
- 不要把测试集混进训练集，否则看起来提升很大但上线无效。
- 领域专家只审术语不审任务流程，会漏掉真正影响体验的错误。
- 只在 demo 样本上验证会低估真实风险，尤其是长文本、多轮、结构化输出和安全边界。
- 指标要和业务目标绑定，否则可能出现离线分数提升、线上体验下降的情况。
七、常见误区与追问
- 误区：领域适配就是继续预训练行业语料。 面试中要主动补上边界条件和工程后果，避免把概念讲成绝对结论。
- 误区：模型说得专业就代表答得正确。 面试中要主动补上边界条件和工程后果，避免把概念讲成绝对结论。
- 误区：微调可以替代知识库更新。 面试中要主动补上边界条件和工程后果，避免把概念讲成绝对结论。
- 追问：如何决定某个需求用 RAG 还是微调？ 可以从数据、算法、系统和评测四个角度展开，先说判断标准，再说取舍。
- 追问：领域微调如何避免灾难性遗忘？ 可以从数据、算法、系统和评测四个角度展开，先说判断标准，再说取舍。
- 追问：评测集应该怎样覆盖边界场景？ 可以从数据、算法、系统和评测四个角度展开，先说判断标准，再说取舍。
八、加强记忆
记住“术语只是外衣，任务行为才是骨架”。领域适配要围绕真实工作流构造数据，而不是只让模型背行业词汇。
复习时建议按“定义、机制、数字、流程、对比、风险”六步默写一遍。能把这六步讲顺，就能覆盖大多数追问。