金融模型微调并非简单的“投喂数据”就能奏效，其背后隐藏着惊人的数据量级、严苛的数据质量要求以及复杂的工程挑战。本文将从实际案例出发，深入剖析CPT、SFT（文本模型）、SFT（视觉理解）和DPO四种微调方法，帮你厘清它们各自的数据门槛、成本构成与训练周期，让你在决策时更有把握。

一、金融模型微调案例揭示的数据量级

先看一个真实案例：CFGPT: Chinese Financial Assistant with Large Language Model（项目地址：https://github.com/TongjiFinLab/CFGPT）。该金融模型微调所使用的数据量级令人震惊——仅从以下截图可见，数据规模远超一般认知：

这仅仅是量级上的“震撼”，更关键的是，微调对数据的要求比RAG（检索增强生成）严格得多。RAG可以借助外部知识库辅助，而微调需要模型直接内化知识，数据质量、格式、多样性缺一不可。