LLaMA-Factory 训练数据默认使用 instruction、input、output 三个 key

在 LLaMA-Factory 进行 SFT（Directive supervision fine-tuning 指令监督微调）时，训练数据的格式 非常重要，因为大模型依赖标准化的数据结构来学习 指令-响应 模式。

identity.json 文件的数据采用了 “instruction”、“input”、“output” 这三个 key，它们的作用如下：

Key	作用	示例
“instruction”	代表用户给 AI 的指令（问题或任务描述）。	"instruction": "Who are you?"
“input”	可选，表示提供给 AI 的额外输入信息。	"input": ""（如果不需要额外输入，可以留空）
“output”	期望 AI 生成的回答（AI 的理想输出）。	"output": "I am {{name}}, an AI assistant developed by {{author}}."

---

1. LLaMA-Factory 训练数据的格式要求

如果你要换用自己的数据集，格式应该符合 以下 JSON 结构：

identity.json文件

[
  {
    "instruction": "请介绍一下你自己。",
    "input": "",
    "output": "我是Llama-Chinese，由LLaMA Factory开发。我可以帮助您回答问题、提供信息和进行对话。"
  },
  {
    "instruction": "翻译下面的句子：",
    "input": "Hello, how are you?",
    "output": "你好，你怎么样？"
  },
  {
    "instruction": "请用Python写一个计算斐波那契数列的函数。",
    "input": "",
    "output": "```python\ndef fibonacci(n):\n    if n <= 1:\n        return n\n    return fibonacci(n-1) + fibonacci(n-2)\n```"
  }
]

格式要求

1. JSON 格式的数组，每个数据点是一个字典 {}。
2. 必须包含 instruction 和 output，input 可选。
3. instruction 是给 AI 的指令，output 是期望的 AI 输出。
4. input 只有在额外信息需要提供时才填（例如机器翻译任务）。

---

2. 你可以使用哪些 key？如何让大模型正确学习？

(1) 基础的三元结构

• 最通用的格式：

  {
    "instruction": "请翻译这句话：",
    "input": "The weather is great today.",
    "output": "今天天气很好。"
  }
  

• 适用于：对话数据、翻译、问答任务。

---

(2) 只有 instruction 和 output

• 如果任务不需要额外输入，可以省略 input：

  {
    "instruction": "写一个Python函数，计算平方数。",
    "output": "```python\ndef square(x):\n    return x * x\n```"
  }
  

• 适用于：代码生成、开放性问题、一般问答任务。

---

(3) 只有 input 和 output（极少数情况）

• 某些任务 instruction 可以省略：

  {
    "input": "What is the capital of France?",
    "output": "Paris"
  }
  

• 适用于：部分问答任务、无明确指令的情况。
• 但在 LLaMA-Factory 里，通常 instruction 是必须的，所以不建议这么做。

---

3. 如何自定义数据集 key？

如果你想改 key 的名字，比如你想用 "query" 代替 "instruction"，那你需要 在 LLaMA-Factory 里修改解析代码，否则模型不会正确识别你的数据。

但最简单的做法 是 保持 instruction、input、output 这三个 key，因为 LLaMA-Factory 默认支持这种格式，不需要额外修改代码。

---

4. 如何确认你的数据格式正确？

在 训练之前，可以用 Python 代码检查 JSON 格式：

import json

with open("your_dataset.json", "r", encoding="utf-8") as f:
    dataset = json.load(f)

for sample in dataset[:3]:  # 只检查前3条数据
    assert "instruction" in sample, "数据缺少 instruction 字段"
    assert "output" in sample, "数据缺少 output 字段"
    print(sample)

如果没有报错，说明格式正确。

---

5. 其他数据格式示例

(1) 翻译任务

[
  {
    "instruction": "请把以下文本翻译成法语。",
    "input": "Hello, how are you?",
    "output": "Bonjour, comment ça va?"
  }
]

适用于 机器翻译微调。

---

(2) 代码生成任务

[
  {
    "instruction": "写一个 Python 函数，判断一个数是否是素数。",
    "input": "",
    "output": "```python\ndef is_prime(n):\n    if n < 2:\n        return False\n    for i in range(2, int(n ** 0.5) + 1):\n        if n % i == 0:\n            return False\n    return True```"
  }
]

适用于 代码生成模型微调。

---

(3) 文本摘要任务

[
  {
    "instruction": "请总结以下文章的主要内容。",
    "input": "最近人工智能技术取得了重大突破，许多公司开始投入大规模模型的研究。",
    "output": "人工智能技术发展迅速，公司纷纷加大对大模型的投入。"
  }
]

适用于 文本摘要微调。

---

6. 总结

✅ LLaMA-Factory 训练数据默认使用 instruction、input、output 三个 key。
✅ 确保 JSON 格式正确，否则模型无法正确学习。
✅ 如果要自定义 key，建议修改 LLaMA-Factory 的代码（不推荐），或保持默认格式。
✅ 数据结构要根据任务类型调整，比如：

• 问答、闲聊：instruction + output
• 翻译任务：instruction + input + output
• 代码生成：instruction + output
• 文本摘要：instruction + input + output

结论：如果你想换数据集，只需要用 instruction、input、output 结构组织数据，并替换内容，就可以直接用于 LLaMA-Factory 训练！