微调数据清洗要避免错误答案、格式不一致与样本泄漏。重复样本增加体积，却不一定提供新的任务信息。

检查来源与许可

明确数据能否用于训练，移除个人身份和密钥。把自动生成样本与人工认可样本区分，错误样本不靠改写掩盖。

清理冲突答案

同类输入给出不同结论时，核实业务条件是否不同。条件缺失就补充输入或删除样本，不能任意挑一个答案。

划分评估数据

先去重再切分，来自同一文档或会话的相近样本保持分组。记录清洗规则与删除数量，便于复现训练结果。

清洗时保留业务含义

去重不能删掉条件不同的相似样本；价格单位、否定词与例外条款需要特别复核。

按来源和时间检查数据污染，用独立评估集验证清洗效果，而非只看剩余样本数量。

例如两条相似售后样本适用不同保修条件，不能因文字相近去重成一条，需保留业务差异。

相关阅读：大模型微调与RAG：数据、成本和方案取舍。