AWS发布监督式微调数据准备系列第一篇，聚焦数据格式与质量。
文章涵盖质量检查、对话式JSONL结构、推理和工具调用字段，以及训练集与评估集的代表性拆分。AWS指出，数据准备质量决定微调项目的上限，训练样本需要统一字段、清晰角色和可复现的标注规则。
来源：AWS Machine Learning Blog，发布时间：2026年8月26日。
监督式微调数据不只是把问答复制进JSONL。每条记录要有稳定的对话结构、清楚的角色标记和符合目标模型要求的字段；如果样本涉及推理或工具调用，还要保证调用名称、参数和返回结果之间能够对应。格式合法只能证明文件可读取，不能证明标签正确或样本值得训练。
一个实际的质量检查流程可以先统计缺字段、空内容、重复样本和过长记录，再抽查不同任务类型的完整对话。若同一问题有多种合理答案，应制定一致的标注标准；若训练数据来自日志，先去除凭据、个人信息和内部机密，并确认授权范围。把错误样本比例和修订原因记录下来，后续才能判断模型变化来自数据还是训练配置。
训练集与评估集要按实际使用情境拆分，并避免同一用户、同一模板或近重复问题同时进入两侧，否则指标可能显得很好，却无法反映新场景表现。AWS这篇是系列第一部分，聚焦格式和质量；它提供准备思路，并没有给所有任务通用的最优样本数量。
如果要继续看进阶的数据筛选、学习曲线和合成数据策略，可接着阅读系列第二篇：监督式微调数据的高级策略。
