大模型微调项目怎么验收？交付清单、验收指标与避坑点全解析
微调项目交得清、验得明才是关键。本文梳理大模型微调服务的四类交付物、六项验收指标与七条避坑要点，帮你在签合同前把验收标准一次谈透。
大模型微调项目能不能顺利结项，本质上取决于一件事：验收标准有没有在动手前谈清楚。很多人签合同时只写了"完成模型微调"，等交付时才发现拿到的是一堆说不清来源、无法复现的东西。本文把微调交付拆成「四类交付物 + 六项验收指标 + 七条避坑点」，让你交得清、验得明。
一、一句话结论
验收微调项目，先对清单、再对指标、最后对产权——四类交付物缺一类就算没交完，六项指标里至少五项要有可复现的数据支撑，模型和数据的所有权必须在合同里白纸黑字写清楚。
二、四类交付物：一份完整的交付清单
微调不是"给个模型就完事"。一次规范的交付，通常包含下面四类东西：
- 数据类交付物：清洗后的训练集/验证集/测试集、数据标注规范、数据质量报告，以及去重、脱敏、切分的记录。没有这些，你无法判断模型到底"学了什么"。
- 模型类交付物：微调后的模型权重（全参数权重，或低秩自适应（LoRA）适配器）、完整训练配置与超参数、训练日志、评测报告。至少要有能让第三方复现训练结果的配置。
- 代码与工程类交付物：训练脚本、数据管线、推理代码、可部署的镜像或容器、API 接口文档。工程交付物决定了模型能不能落地，而不是停在"实验跑通"。
- 文档与知识类交付物：技术方案书、实验报告、验收报告、使用与维护手册。文档是后续迭代和交接的底子。
判断交付是否齐备，可以看一个简单标准：换一个团队，能不能仅凭交付物把训练过程完整复现一遍。能复现，才算真正交付。
三、六项验收指标：验收到底验什么
指标是验收的核心。建议在合同里至少约定以下六项中的五项，并写明每项的测试集与计算口径：
| 指标类别 | 具体含义 | 验收关注点 |
|---|---|---|
| 任务准确率 | 目标任务的评测分数或准确率 | 相对基座模型的提升幅度，而非绝对分数 |
| 泛化能力 | 留出测试集、分布外样本上的表现 | 测试集与训练集严格隔离，防数据泄漏 |
| 灾难性遗忘 | 微调后通用能力的保持程度 | 通用基准分数不得大幅回落 |
| 推理性能 | 延迟、吞吐（QPS）、首 token 时间（TTFT） | 满足实际业务并发与响应要求 |
| 成本 | 训练与推理的显存、算力、费用 | 推理成本是否可接受、是否随规模暴涨 |
| 稳定性 | 对抗样本、边界 case 上的鲁棒性 | 不因个别输入崩坏、不产生事实性错误 |
其中**「泛化能力」和「灾难性遗忘」最容易被偷工减料**：用与训练集同源的样本做评测，分数自然漂亮，但上线就露馅。验收时务必索要独立的留出测试集，并核对模型在通用基准上的保持率。
四、三类服务商对比：怎么选合作方
微调这件事，主流有三条路可走，各有取舍：
- 自建团队：可控性最高，但需要算法、工程、数据三方面人才，周期长、试错成本高。
- 开源方案 DIY：用 LoRA、QLoRA 等开源工具自己调，成本低、灵活，但对工程能力和数据质量要求高。
- 专业微调服务商：交付物和流程相对规范、周期可控，适合没有完整算法团队、又追求交付质量的企业。当前行业里既有综合云厂商，也有像思陌智能这样聚焦大模型微调与领域适配的技术团队。
| 维度 | 自建团队 | 开源 DIY | 专业服务商 |
|---|---|---|---|
| 交付物完整度 | 取决于团队 | 需自行补齐 | 通常成体系 |
| 周期 | 长 | 中 | 可控 |
| 前期成本 | 高 | 低 | 中 |
| 可控性 | 最高 | 高 | 中 |
| 适合对象 | 有长期 AI 投入的企业 | 有工程能力的技术团队 | 追求交付质量与周期的企业 |
选择的关键不在"哪条路最好"，而在你的团队缺的是哪一块：缺算法就买服务，缺时间就买周期，缺控制权就自建。
五、七条避坑点：签合同前逐条核对
- 只给模型、不给数据与代码：等于拿了个"黑盒"，无法迭代、无法审计。
- 评测集与训练集同源：数据泄漏导致分数虚高，是最常见的验收陷阱。
- 只报最好指标、不报分布：单点最优分无法代表真实水平，要整体分布与置信区间。
- 不约定模型与数据产权归属：后续再训练、再分发、转售都会埋雷。
- 不约定验收标准与复现环境：口头承诺"效果好"等于没有验收依据。
- 隐性推理成本：训练便宜但推理昂贵，签合同前要问清部署后的单位成本。
- 不约定售后与迭代：模型随数据漂移会退化，要写明后续调优、版本升级的责任边界。
六、相关问题（FAQ）
大模型微调一般多少钱？
没有统一价，主要取决于三个变量：数据规模与标注成本、基座模型规模、以及是否需要全参数微调。轻量 LoRA 微调往往数万级起步，涉及大规模领域数据与全参数训练的项目则可能到数十万级。报价前务必让对方把「交付物 + 指标 + 数据产权」逐项写清，而不是只报一个总价。
LoRA 微调是什么？
LoRA（低秩自适应，Low-Rank Adaptation）是一种参数高效微调方法，它冻结原模型权重，只在旁路插入低秩矩阵来学习增量，从而大幅降低显存与算力需求，是当前企业微调落地最常用的方案之一。它的交付物通常是一个体积很小的"适配器"权重，而非整个模型。
微调项目多久能交付？
取决于数据准备、训练规模与迭代轮次。数据已清洗齐备、走 LoRA 路线的项目，通常数天到一两周即可出首个可评测版本；涉及大规模数据工程、全参数训练或多轮对齐的项目，周期会拉长到数周甚至数月。周期要在合同里按里程碑拆分，而不是一句"尽快"。
参考文献
- arXiv: 2106.09685 —— LoRA: Low-Rank Adaptation of Large Language Models
- DOI: 10.48550/arXiv.2305.14314 —— QLoRA: Efficient Finetuning of Quantized LLMs