Easy Dataset 能够简化生成大型语言模型（LLM）微调数据集的流程。支持上传特定领域的文件，智能分割内容，生成问题，并为模型微调生成高质量的训练数据。支持使用 OpenAI、DeepSeek等大模型 API 和 本地模型调用。

神州问学 依托平台既有能力，用户可，一键完成模型训练和部署，快速构建AI应用，轻松切换模型。

本教程使用 Easy Dataset 从互联网公司的公开财报构建 SFT 微调数据，并在 神州问学 中微调 Qwen3-0.6B模型，使微调后的模型能学习到财报数据集中的知识。

目录

一、使用 Easy Dataset 生成微调数据

二、生成微调数据

三、使用 神州问学 微调 Qwen3-0.6B 模型

---

一、使用 Easy Dataset 生成微调数据

安装 Easy Dataset

1. 从 GitHub 拉取 Easy Dataset 仓库

Bashgit clone https://github.com/ConardLi/easy-dataset.gitcd easy-dataset

2. 构建 Docker 镜像

Bashdocker build -t easy-dataset .

3. 运行容器

Bashdocker run -d \ -p 1717:1717 \ -v {YOUR_LOCAL_DB_PATH}:/app/local-db \ --name easy-dataset \ easy-dataset

示例数据准备

本教程准备了一批互联网公司公开的财报作为示例数据，包含五篇国内互联网公司 2024 年二季度的财报，格式包括 txt 和 markdown。数据均为纯文本数据，如下为节选内容示例。

快手二季度净利润增超七成，CEO程一笑强调可灵AI商业化

8月20日，快手科技发布2024年第二季度业绩，总营收同比增长11.6%至约310亿元，经调整净利润同比增长73.7%达46.8亿元左右。该季度，快手的毛利率和经调整净利润率均达到单季新高，分别为55.3%和15.1%。值得一提的是，针对今年加码的AI相关业务，快手联合创始人、董事长兼CEO程一笑在财报后的电话会议上表示，可灵AI将寻求更多与B端合作变现的可能性，也会探索将大模型进一步运用到商业化推荐中，提升算法推荐效率。

线上营销服务贡献近六成收入，短剧日活用户破3亿

财报显示，线上营销服务、直播和其他服务（含电商）收入依然是拉动快手营收的“三驾马车”，分别占总营收的56.5%、30.0%和13.5%。线上营销服务收入由2023年同期的143亿元增加22.1%至2024年第二季度的175亿元，财报解释主要是由于优化智能营销解决方案及先进的算法，推动营销客户投放消耗增加。

二、生成微调数据

创建项目并配置参数

1.在浏览器进入 Easy Dataset 主页后，点击创建项目

2.首先填写项目名称（必填），其他两项可留空，点击确认创建项目

3.项目创建后会跳转到项目设置页面，打开模型配置，选择数据生成时需要调用的大模型 API 接口

4.这里以 DeepSeek 模型为例，修改模型提供商和模型名称，填写 API 密钥，点击保存后将数据保存到本地，在右上角选择配置好的模型

5. 打开任务配置页面，设置文本分割长度为最小 500 字符，最大 1000 字符。在问题生成设置中，修改为每 10 个字符生成一个问题，修改后在页面最下方保存任务配置

处理数据文件

1.打开文献处理页面，选择并上传示例数据文件，选择文件后点击上传并处理文件

2.上传后会调用大模型解析文件内容并分块，耐心等待文件处理完成，示例数据通常需要 2 分钟左右

生成微调数据

1.待文件处理结束后，可以看到文本分割后的文本段，选择全部文本段，点击批量生成问题

2.点击后会调用大模型根据文本块来构建问题，耐心等待处理完成。视 API 速度，处理时间可能在 20-40 分钟不等

3.处理完成后，打开问题管理页面，选择全部问题，点击批量构造数据集，耐心等待数据生成。视 API 速度，处理时间可能在 20-40 分钟不等

如果部分问题的答案生成失败，可以重复以上操作再次生成。

导出数据集到 神州问学 平台微调模型

1.答案全部生成结束后，打开数据集管理页面，点击导出数据集

2.在导出配置中选择 导出到本地，选择需要导出的数据集格式（默认alpaca和shareGPT）即可在本地对应路径文件夹下生成配置文件。

3.在导出文件路径对应的文件夹中可以看到生成的数据文件，其中主要生成以下二个文件

1. 在导出文件路径对应的文件夹中可以看到生成的数据文件，其中主要生成以下二个文件
2. dataset_info.json：自定义格式的数据集配置文件
3. alpaca.json：以 Alpaca 格式组织的数据集文件
4. sharegpt.json：以 Sharegpt 格式组织的数据集文件

其中 alpaca 和 sharegpt 格式均可以用来微调，两个文件内容相同。

三、使用 神州问学 微调 Qwen3-0.6B 模型

1.在神州问学平台选择 数据集 板块，点击 上传文件数据集

2.上传从 Easy Dataset导出的数据集。

启动微调任务

1.在神州问学平台选择 大模型训练 ，上传选择创建的文件数据集

2.填写合适的训练参数和资源大小，选择模型为 Qwen3-0.6B，配置完成点击开始训练

为了让模型更好地学习数据知识，建议将学习率改为 1e-4，训练轮数提高到 8 轮。批处理大小和梯度累计则根据设备显存大小调整，在显存允许的情况下提高批处理大小有助于加速训练，一般保持批处理大小×梯度累积×显卡数量等于 32 即可，将保存间隔设置为 50，保存更多的检查点，有助于观察模型效果随训练轮数的变化

点击开始按钮，等待容器运行，拉取数据集，拉取模型，模型微调训练，合并模型，推送模型几个步骤完成，等待模型训练完毕，视显卡性能，训练时间可能在 20-60 分钟不等

验证微调效果

1.训练完成后，在大模型列表找到训练完的模型，点击部署，填写合适的资源大小等待模型部署完成

可同步查看模型部署阶段的日志

2.在下方的对话框中输入问题后，点击提交与模型进行对话，经与原始数据比对发现微调后的模型回答正确，证明微调有效。

  微调后的回答如下：

0.6B 模型的微调效果相对有限，此处仅用作教程演示。如果希望得到更好的结果，建议在资源充足的条件下尝试 7B/14B 模型。