一、先算钱：费用跟轮数成正比

训练费 = 样本数 × 每条 token × 轮数 × 单价。 四个乘数里，前两个在数据准备好时就定了，后两个是你要拍的板。

二、四道校验：任何一道不过，都会在中途失败

① 文件大小。 太小说明数据没传全，太大可能超了平台限制。 ② 行数。 平台通常要求至少 10 条，实际项目建议 100 条以上才有意义。 ③ 编码。 UTF-8，且不能带 BOM。 带 BOM 的文件第一行 JSON 会解析失败—— 而报错只说「第一行格式错误」，很容易误判成数据本身有问题。 ④ 每行独立 JSON。 一行一个完整对象，不能是数组、不能跨行。 这个错误最常见的来源是「用 Excel 导出的 jsonl」。 这四项的共同点是：不检查也能传上去，训到一半才失败。而异步任务的失败往往要等十几分钟才报出来， 上传前跑一遍脚本，比等报错快得多。

三、上传之后是一个异步任务

四个状态，含义很明确：

四、训练完要登记什么

一次微调会产出一堆东西：数据文件、超参、任务 ID、模型名、评估结果。 不登记，三个月后没人说得清线上那个模型是怎么来的。 建议的登记项：数据版本（哪份文件、多少条、校验通过率）、超参（轮数、学习率、批大小）、 任务 ID 与完成时间、评估结果（验证损失、抽检通过率）、模型名与调用方式。 这张表还有个副产品：下次要复现或回滚，直接照着它重跑。没有它， 回滚只能靠「找找看还有没有旧模型名」。 最后：给模型名加可读后缀。 ft:gpt-4o-mini:myorg::abc123 这种平台自动生成的名字， 三个月后谁也认不出来。在登记表里写清「这版是客服话术 v2」，比名字本身更重要。

五、动手 Demo：3000 条训 3 轮 68 元：钱随轮数线性涨，上传前先过四道校验

按「样本数 × 每条 token × 轮数 × 单价」算训练费，扫 1／3／5／10 四档轮数； 再写一个 50 行的 jsonl，逐个查文件大小、行数、编码、每行能否解析。 单价 30 元／百万训练 token 是显式假设。

n, tok_per, epochs = 3000, 250, 3
p_train = 30.0                       # 元／百万训练 token，显式假设
tot = n * tok_per * epochs
print(tot / 1e4, tot / 1e6 * p_train)   # 225.0 万，68 元

for ep in (1, 3, 5, 10):             # 费用随轮数线性涨
    t = n * tok_per * ep
    print(ep, t / 1e4, t / 1e6 * p_train)

size = os.path.getsize(p)
lines = sum(1 for _ in open(p, encoding='utf-8'))
for i, ln in enumerate(open(p, encoding='utf-8')):
    json.loads(ln)                    # 每行独立 JSON

实跑输出：

--------------------------------------------------------------------
上传训练数据：先算钱、再查格式，最后才是点上传
--------------------------------------------------------------------
  样本数                   3000 条
  每条约                   250 token
  训练轮数                 3
  训练 token 总量          225.0 万
  估算训练费用             68 元

  这个数**随轮数线性涨**。同一份数据，训 3 轮和训 10 轮差三倍多：
  轮数   token 总量     费用
  -------------------------
     1      75.0 万    22 元
     3     225.0 万    68 元
     5     375.0 万   112 元
    10     750.0 万   225 元

  **所以「多训几轮总没坏处」是错的**：多训不只是多花钱，还会过拟合。
  第 4 轮往后，验证损失往往已经在涨了。

  上传前要过的四道校验（任何一道不过，平台都会在训练中途失败）：
  ① 文件大小               5.1 KB（平台通常限制几百 MB）
  ② 行数                   50 行（平台通常要求至少 10 条）
  ③ 编码                   UTF-8，无 BOM
  ④ 每行独立 JSON          50 行全部解析通过
  这四项都是「不检查也能传上去、训到一半才失败」的类型。**上传前跑一遍，比上传后等报错快得多。**

  传上去之后是一个异步任务，状态会依次经过：
  pending                  排队中，还没开始
  running                  训练中，会有中间指标
  succeeded                完成，拿到模型名
  failed                   失败，错误信息在事件列表里
  **不要在 running 的时候就切流量**——训练完成前，那个模型名是调不通的。

第一屏三个数：样本 3000、每条 250 token、3 轮 225 万 token、68 元。 这四个数是乘出来的，改任何一个都能立刻重算。 第二张表是 1／3／5／10 轮：22、68、112、225 元。完全线性——因为轮数就是乘在 token 量上的。 所以「多训几轮保险」这个想法很贵： 从 3 轮改到 10 轮，钱涨 3.3 倍，而多出来的 7 轮多半是在过拟合。 第三屏四道校验：文件 5.1 KB、50 行、UTF-8 无 BOM、50 行全部解析通过。 这四项都是「不查也能传、训一半才失败」的类型。 最后一屏的四个状态里，succeeded 之后还有一句话： 先评估，再切流量。 模型训完不等于能用——验证损失好看、抽检一塌糊涂的情况并不罕见。

30 秒实验

1. 把每条 token 从 250 改成 800（长回答场景），看 3 轮的费用涨到多少。 回答越长，同样条数的账单越贵，这是长文本任务的通病。
2. 把样本数从 3000 改成 300，看费用和打平点一起怎么变。 数据少的时候训练费便宜，但标注费的占比会变得更高。
3. 故意在 jsonl 第一行前面加一个 BOM，再跑解析，看报什么错。 「第一行格式错误」这个报错，九成是 BOM 或空行。

常见误区

1. 「轮数越多效果越好」。4 轮往后验证损失常常已经在涨，多训的每一轮都在过拟合。 先 3 轮，不够再加。
2. 「训完了就切流量」。训练完成只说明有模型名，能不能用要看评估和抽检。
3. 「模型名是平台给的，不用管」。自动生成的模型名不可读，三个月后没人认得出哪版是哪版。 必须配一份登记表。

数据传上去了，最后一个要拍板的东西是超参数。下一节把学习率和轮数放在一起扫，看它们怎么互相牵制。

• ☐ （本节完，下一节 5.2.5 模型微调的超参数配置策略）

相关笔记

• 登录OpenAI Platform平台
• 🧠 AI训练师手册2 · 索引