增量预训练后Loss不下降、微调后模型只会回答训练样本中的问题、蒸馏数据包含教师模型的错误、科学计算模型盐度损失异常波动——这些是NLP大模型训练中最常见也最棘手的问题。华为云《盘古大模型最佳实践》系统总结了增量预训练、微调、蒸馏、科学计算四类训练场景的实操经验，为模型调优提供了可复用的方法论。

金融场景增量预训练使用CCI3.0-HQ、FineWeb Edu、IndustryCorpus2数据集，配比1:6。训练参数：热身比例0.01、数据批量大小32、学习率0.000005、训练轮数1。正常Loss曲线应随迭代步数增加呈下降趋势直至稳定。

核心评价思想是“收益有多大，代价有多高”——对比训练前后模型在领域评测集上的性能提升，以及通用能力是否发生遗忘。若领域能力未达预期，需检查数据质量、增加领域数据比例；若通用能力下降严重，需增加通用指令数据比例。

训练过程中Loss偶尔出现突刺——同时监控grad norm数值，若同步跳变说明数据质量较差，需再次精细加工。训练Loss逐步降到0——训练轮数过多产生过拟合，应减少训练轮次（通常1-2轮即可）。Loss迟迟不下降或隐约上升——学习率过大，建议减小学习率重新训练。Loss波动较大——检查Batch Size设置，适当增加使训练更平稳。

催收意图识别微调使用31万条通用+8万条行业数据，配比1:4。训练参数：热身比例0.01、序列长度32768、数据批量大小8、学习率0.00002、训练轮数3。

微调后模型回答重复某句话——检查话题重复度控制/温度/核采样参数设置，适当增大参数值；检查训练数据是否存在文本重复；检查训练轮次或学习率是否过高导致过拟合。回答出现乱码——检查数据是否包含异常字符，检查训练轮次或学习率，适当降低推理温度或核采样。回答异常中断——检查最大Token限制，增加该参数值；检查数据是否包含异常截断。只能回答训练样本中的问题——过拟合，降低训练轮次或学习率。

一份高质量数据应具备：数据与目标任务一致、无异常样本（空数据、重复、水印、异常字符）、数据多样性。情感分类场景典型低质量数据包含与目标任务不一致的样本或Prompt不固定。文案创作场景典型低质量数据多样性差。优化方案：数据过滤（去空、去重、字符串过滤、PPL困惑度过滤）、数据转换（同义词替换、语法结构修改）、基于大模型的数据泛化、人工标注。

催收意图识别需要识别6种意图：咨询、投诉、表扬、建议、催复、投诉撤销。使用DeepSeek-R1-32K作为教师模型，对500条场景数据进行蒸馏，配比1500条通用+1500条金融指令数据。学生模型Pangu-NLP-N1-Reasoner-128K全量微调，训练轮数1、学习率0.00002。

教师模型的缺陷会被学到——蒸馏数据需进行清洗和校准。真实场景性能要求与模型规模不匹配——需聚焦小场景针对性优化。过拟合问题——进行多次蒸馏采样增加数据多样性。

区域海洋要素模型可预报15层深海层（0m至500m）的海温、海盐、海流经向/纬向速率和海表高度，时间分辨率24h，水平分辨率1/12°。微调使用Hycom再分析数据，要求包含5个表面层特征和15个深海层特征。

数据预处理优化案例：盐度（S）变量存在数据缺失与数据块偏移，导致训练损失异常、波动大且不收敛。通过统计学方法（四分位距、Z-score、样本分布）和可视化方法排查异常值并删除后，盐度损失恢复正常收敛。训练参数优化建议：学习率过高导致损失波动甚至梯度爆炸，使用学习率衰减策略；学习率过低导致下降缓慢，使用学习率预热方法。