失败一：用微调补知识
知识缺失应靠检索补，微调改变的是表达习惯。训练完发现知识仍不准，只是语气更像内部文档，团队往往归因为数据不够多，于是继续加样本，几周算力与标注成本消耗在没有出口的方向上，最终项目被叫停。
失败二：样本口径不一致
同一类问题出现三种写法、标注人各自理解不同，模型学到的就是摇摆不定的风格。上线后输出时好时坏，排查时又找不到原因；应在标注前先做一致性校准，抽取若干样本由多人独立标注，比对分歧后再开始批量生产。
失败三：只看损失不看任务
训练损失下降不代表任务表现变好，格式类任务尤其如此。必须以任务指标与人工盲评为准，按错误类型分组对比；只看损失曲线容易得出乐观结论，上线后被业务方发现关键字段仍然出错，信任很难恢复。
失败四：忽略基座许可
不同基座对商用、再分发与衍生模型的规定差异很大，选型时未核对许可，可能在交付前被法务拦下。尤其是要对外提供服务的场景，许可问题会直接阻断交付，前期的训练与集成投入全部沉没，责任也很难界定。
失败五：私有化后无人运维
权重放进机房不等于交付完成，推理服务、显存监控、版本升级都需要有人负责。缺少运维安排时，性能下降或服务中断的恢复时间会很长，业务方会认为整套方案不可靠，下一期预算也很难再批；迭代节奏也被拖慢。
适用与不适用
适合谁
- 正在评估微调可行性的团队，需要判断投入产出
- 已做过一版微调但效果不稳定的项目
- 需要向管理层解释投入产出比的负责人
不适合谁
- 知识更新频繁、以问答为主且无标注人力的场景
- 样本极少、无标注人力且没有脱敏方案的团队
典型场景
某企业的合同要素抽取模型上线后字段准确率始终不稳。复盘发现标注时对「生效日期」的理解有三种，训练数据本身就矛盾。团队重新做了一致性校准，抽取样本由三人独立标注并比对分歧，统一口径后重训，准确率才稳定下来，训练成本也比此前几轮更低。
可执行步骤
- 先用检索方案跑基线，确认问题是否真在表达或格式上，避免在错误方向上投入
- 标注前做一致性校准，抽取样本由多人独立标注比对分歧，统一口径后再批量生产
- 以任务指标与人工盲评为准，按错误类型分组比较前后差异，而不是只看总分
- 核对基座许可与商用限制，并把结论写进立项材料，避免交付前被法务拦下
- 私有化交付时一并安排推理服务、监控与升级责任人，避免上线后无人接手
常见坑
- 用微调补知识，训练完知识仍不准，只是语气更像内部文档，团队误以为样本不够继续加量；最终项目被叫停。
- 样本口径不统一，模型学出摇摆风格，上线后时好时坏，排查时找不到具体原因；返工时只能全部重标。
- 只看损失曲线不看任务指标，上线后关键字段仍然出错，业务方信任受损且很难挽回；补救成本很高。
- 忽略基座许可，交付前被法务拦下，训练与集成投入全部沉没，责任界定困难，后续预算也更难批，内部信任随之下降。
自检与验收清单
- 是否已用检索方案跑过基线，且留有对比结论并存档
- 标注口径是否做过一致性校准，是否有多人交叉验证
- 评测是否以任务指标与盲评为主，是否覆盖典型错误类型
- 基座许可与商用限制是否核对过，是否有书面结论
- 私有化运维是否有明确责任人，是否安排了交接培训
常见问题
损失下降但效果不好是什么原因？
常见于格式类任务与样本分布偏差。损失衡量的是与标注的接近程度，标注本身若有矛盾，模型只会学到一个折中答案；此时应回到数据与口径，而不是继续调参或加训练轮次，那样只会加重问题。
开源基座能直接商用吗？
要看具体许可条款，不同基座对商用、再分发、衍生模型命名与署名要求都不一样。建议在选型阶段就把许可文本交法务确认，并把结论写进立项材料，避免训练完成后才发现不能用，前期投入无法回收。
私有化后谁来维护？
通常由客户方 IT 负责日常运维，交付方提供监控方案与升级支持。合同中应写清响应时限与升级方式，并安排一次交接培训；完全依赖外部团队的私有化系统，一旦合作结束就会陷入无人能改的状态。