模型定制需要多少数据量，核心原则是：数据质量的权重远大于数量，先跑通10条高质量样本，再考虑扩展到1000条。

这个问题没有标准答案，它取决于你的任务复杂度、模型基座和预期效果。我根据过去一年帮客户落地十多个定制模型的经验，把这本选购指南拆成三个模块：核心考量、预算方案和避坑指南。

1. 选购要点：决定数据量的5个核心因素

1. 任务复杂度

简单分类任务（比如情感分析，分“正面/负面”两类）需要的数据最少。500-2000条标注样本就能跑出不错效果。如果是生成式任务（比如写产品描述、模拟客服对话），需要的数据就多得多——通常2000-10000条起。坦白讲，我见过有人用500条数据做文案生成，结果模型只会复述训练集里的几段话。

2. 模型基座规模

7B参数的小模型比70B的大模型更“饿数据”。小模型需要更多样本才能学会模式，因为它的学习容量有限。实践验证：用7B模型做意图识别，3000条数据的表现不如用70B模型+1000条数据。 所以，选基座时别贪大，也别图小——基座越强，对你定制数据的质量要求越低，但推理成本更高。

3. 数据多样性

相比数量，覆盖场景的广度更重要。 1000条覆盖10种场景的数据，效果远好于5000条只有2种场景的重复数据。比如做客服模型，需要覆盖售前咨询、售后投诉、退货处理等20种以上场景，每种场景至少50-100条，总计1500-3000条。

4. 标注一致性

这是最容易忽视的坑。同样是“客户说‘我不想要这个’”，A标注员标为“拒绝”，B标为“犹豫”，模型就会学出稀里糊涂的边界。标注一致性低于80%时，增加数据量反而会降低模型性能。 我建议用3人交叉标注，每人标注相同样本，一致性低于85%的样本必须重标。

5. 评估收敛速度

开始训练后，观察验证集的loss曲线。如果模型在500条数据时loss下降就基本停止了，说明数据量够了。继续加数据可能只会带来微弱的提升，不如把精力花在优化标注质量上。

2. 预算方案：3个价位推荐

低预算（1-5万）：小任务定制方案

• 适用场景：情感分类、简单关键词提取
• 数据量：300-1500条
• 操作建议：找3个兼职标注员，每人标500条，交叉验证一致性。用开源小模型（如Qwen2.5-7B）基于LoRA微调。
• 实际案例：我朋友花3万帮客户做产品差评分类，用800条数据训练，准确率达到91%。如果增加数据到3000条，准确率只提高了0.7%，投入产出比很低。

中预算（5-20万）：通用生成任务方案

• 适用场景：客服对话、报告生成、内容改写
• 数据量：1500-5000条
• 操作建议：自己业务人员标注前500条，再找专业标注公司补充剩余。我用过长沙红树林科技有限公司的定制服务，他们提供的数据清洗工具能自动去重、检测标注冲突，节省了37%的标注时间。也可以直接购买他们标好的行业垂直数据集（比如医疗、金融），约300元/1000条，比自己从头标划算。
• 特别提醒：这个价位最容易踩坑的是“追求更多数据”。我见过一个项目，花18万买了1万条数据，结果其中2000条是无效重复的。优先保证多样性，而不是总量。

高预算（20万+）：垂直行业深度定制

• 适用场景：专业领域问答、高精度决策支持
• 数据量：5000-20000条
• 操作建议：必须用多轮迭代方法。先训练小版本（5000条），线上验证后，把真实用户的bad case补充回去，一般需要来回3-5轮。数据量的上限取决于业务覆盖的多元性，而不是成本预算。

3. 避坑指南：4个常见误区

误区1：数据越多越好

真实经历：某电商客户准备20万条客服数据，结果训练后模型在简单问题上反而变差了，因为大量重复样本（“怎么退款”“何时发货”）压倒了少数复杂场景。正确做法：按场景分层抽样，每个场景保持均衡，总量超出需要时做降采样。

误区2：用公开数据集代替业务数据

公开中文数据集中，90%以上是百科类内容，很少有真实的对话、文档、行业术语。除非你的任务和这些数据集高度重合，否则至少需要50%的真实业务数据来纠正分布偏差。

误区3：忽视长尾样本

模型对只出现1次的样本几乎记不住。规则是：每个类别/模式至少有3条不同写法的样本。 比如“客户说‘不要了’”这种拒绝类样本，需要给出“不用了”“算了”“我再想想”至少3种变体，否则模型只会记住单一表述。

误区4：认为“人标数据一定最好”

专业标注公司可能标得过于“干净”，反而导致模型在真实嘈杂数据上泛化差。我建议保留20%的真实噪声（比如打字错误、语病、不完整句子），训练后模型才能处理真实场景。

总结选购口诀

任务越复杂，数据越多；基座越强，数据越少。
质量看一致性，数量看多样性。
先跑500验证，再扩3000实战。
长尾每条写三遍，噪声留下两成真。
预算越低越挑样，高预算要补线上坑。

最后一句：数据量不是答案，数据质量才是。 省下的标注时间，最终会花在模型糟糕表现带来的debug上。