如何保证数据多样性？

一句话速记：对指令做语义聚类后均衡采样，覆盖任务类型、领域、难度、长度和语言，用 embedding 去近似重复。

数据

同章节的其他八股

• 如何让大模型稳定输出 JSON？
• SFT/预训练数据清洗的流程？
• Hugging Face 模型目录里各文件是什么？
• Python 中 list、tuple、set、dict、deque、heapq 的时间复杂度？