> ## Documentation Index
> Fetch the complete documentation index at: https://docs.monostate.ai/llms.txt
> Use this file to discover all available pages before exploring further.

# 训练任务

> 您可以训练模型做什么

# 训练任务类型

AI Training 支持许多不同的任务。每个任务都针对您想要解决的特定类型问题进行了优化。

## 文本任务

### Text Classification

**功能**：将文本分类到您定义的类别中。

**真实世界示例**：

* 电子邮件垃圾邮件检测
* 客户反馈情感（高兴/不高兴）
* 支持工单路由
* 内容审核
* 语言检测

**您需要**：

* 文本样本
* 每个样本的类别标签
* 每个类别至少 50 个示例（越多越好）

**示例数据格式**：

```csv theme={null}
text,label
"Great product, highly recommend!",positive
"Terrible experience, waste of money",negative
"The item arrived damaged",negative
"Excellent customer service",positive
```

### Token Classification (NER)

**功能**：标记文本中的特定单词或短语。

**真实世界示例**：

* 从文档中提取姓名、日期、地点
* 在评论中识别产品提及
* 在临床笔记中查找医学术语
* 突出重要合同条款
* 标记词性

**您需要**：

* 带有标记实体的文本
* BIO 格式（Beginning、Inside、Outside）标签
* 数百个带注释的示例

**示例数据格式**：

```
John B-PERSON
Smith I-PERSON
visited O
New B-LOCATION
York I-LOCATION
yesterday B-DATE
```

### Sequence to Sequence

**功能**：将一个文本转换为另一个文本。

**真实世界示例**：

* 语言翻译
* 文本摘要
* 问答
* 文本纠正
* 释义

**您需要**：

* 输入文本
* 期望的输出文本
* 输入-输出示例对

**示例数据格式**：

```csv theme={null}
input_text,target_text
"The quick brown fox jumps over the lazy dog","Le renard brun rapide saute par-dessus le chien paresseux"
"Hello, how are you?","Bonjour, comment allez-vous?"
```

### Text Generation (LLM Fine-tuning)

**功能**：教语言模型新知识或行为。

**真实世界示例**：

* 自定义聊天机器人
* 领域特定助手
* 代码生成
* 创意写作
* 技术文档

**您需要**：

* 对话示例或指令-响应对
* 可选：用于 RLHF 的偏好数据
* 可以仅用 100 个示例工作

**示例对话格式**：

```json theme={null}
{
  "messages": [
    {"role": "user", "content": "What is photosynthesis?"},
    {"role": "assistant", "content": "Photosynthesis is the process plants use to convert sunlight into energy..."}
  ]
}
```

## 图像任务

### Image Classification

**功能**：识别图像中的内容。

**真实世界示例**：

* 产品质量检查
* 医学图像诊断
* 野生动物识别
* 文档类型分类
* 面部表情识别

**您需要**：

* 图像（JPG、PNG）
* 每个图像的类别标签
* 每个类别至少 100 张图像

**文件夹结构**：

```
data/
  cats/
    cat1.jpg
    cat2.jpg
  dogs/
    dog1.jpg
    dog2.jpg
```

### Object Detection

**功能**：查找并定位图像中的多个对象。

**真实世界示例**：

* 库存计数
* 安全监控
* 自动驾驶
* 缺陷检测
* 人员计数

**您需要**：

* 带边界框的图像
* 每个框的标签
* COCO 或 YOLO 格式注释

## 结构化数据任务

### Tabular Classification

**功能**：从类似电子表格的数据中预测类别。

**真实世界示例**：

* 客户流失预测
* 欺诈检测
* 疾病诊断
* 信用审批
* 设备故障预测

**您需要**：

* 带特征和标签的 CSV
* 数值和分类列
* 干净、预处理的数据

**示例数据**：

```csv theme={null}
age,income,credit_score,approved
25,45000,720,yes
35,65000,650,no
42,85000,780,yes
```

### Tabular Regression

**功能**：从结构化数据中预测连续值。

**真实世界示例**：

* 房价预测
* 销售预测
* 能耗估算
* 股价预测
* 交付时间估算

**您需要**：

* 带特征和目标值的 CSV
* 数值目标列
* 历史数据

## 高级训练方法

### Supervised Fine-Tuning (SFT)

使用示例和正确答案的标准训练。

**何时使用**：当您有高质量的标记数据时。

### DPO (Direct Preference Optimization)

使用偏好比较训练模型。

**何时使用**：当您有好输出与坏输出的示例时。

**数据格式**：

```json theme={null}
{
  "prompt": "Write a greeting",
  "chosen": "Hello! How can I help you today?",
  "rejected": "sup"
}
```

### ORPO (Odds Ratio Preference Optimization)

类似于 DPO 但训练更稳定。

**何时使用**：当 DPO 训练不稳定或过拟合时。

### Reward Modeling

训练模型以评分输出。

**何时使用**：为 RLHF 构建奖励模型时。

### PPO (Proximal Policy Optimization)

从反馈中进行强化学习。

**何时使用**：当您有奖励模型并想针对它进行优化时。

## 任务选择指南

### 基于您的数据

| 如果您有...  | 选择此任务                             |
| -------- | --------------------------------- |
| 文本 + 类别  | Text Classification               |
| 带实体标签的文本 | Token Classification              |
| 输入/输出文本对 | Sequence to Sequence              |
| 对话       | LLM Fine-tuning                   |
| 图像 + 标签  | Image Classification              |
| 电子表格数据   | Tabular Classification/Regression |

### 基于您的目标

| 如果您想...  | 选择此任务                |
| -------- | -------------------- |
| 将事物分类到桶中 | Classification       |
| 提取信息     | Token Classification |
| 转换文本     | Sequence to Sequence |
| 创建聊天机器人  | LLM Fine-tuning      |
| 预测数字     | Regression           |
| 查找对象     | Object Detection     |

### 基于难度

**最容易开始**：

1. Text Classification
2. Image Classification
3. Tabular Classification

**中等难度**：

1. Token Classification
2. Sequence to Sequence
3. LLM Fine-tuning (SFT)

**高级**：

1. DPO/ORPO 训练
2. Object Detection
3. PPO/RLHF

## 数据要求

### 所需最少数据

| 任务                   | 绝对最少    | 良好起点      | 生产质量        |
| -------------------- | ------- | --------- | ----------- |
| Text Classification  | 每类 50   | 每类 500    | 每类 5,000+   |
| Token Classification | 100 个文档 | 1,000 个文档 | 10,000+ 个文档 |
| Seq2Seq              | 100 对   | 1,000 对   | 10,000+ 对   |
| LLM Fine-tuning      | 50 个示例  | 500 个示例   | 5,000+ 个示例  |
| Image Classification | 每类 100  | 每类 1,000  | 每类 10,000+  |
| Tabular              | 500 行   | 5,000 行   | 50,000+ 行   |

### 数据质量很重要

拥有 100 个高质量示例比 1,000 个差示例更好：

* 准确的标签
* 一致的格式
* 代表真实世界使用
* 跨类别平衡

## 多任务训练

您可以同时为多个任务训练模型：

### 好处

* 在任务之间共享知识
* 更高效地使用数据
* 单一模型部署

### 示例

训练一个模型来：

* 分类情感
* 提取实体
* 总结文本

全部使用相同的基础模型。

## 任务特定设置

### 文本任务

* **Max sequence length**：要处理多少文本
* **Tokenizer**：如何将文本拆分为 tokens
* **Special tokens**：任务特定标记

### 图像任务

* **Image size**：使用的分辨率
* **Augmentation**：旋转、翻转、裁剪
* **Normalization**：像素值缩放

### 表格任务

* **Feature engineering**：创建新列
* **Scaling**：标准化数值
* **Encoding**：处理分类变量

## 评估指标

不同任务使用不同的指标：

| 任务                   | 常见指标                         |
| -------------------- | ---------------------------- |
| Classification       | Accuracy、F1、Precision、Recall |
| Token Classification | 实体级 F1、Token accuracy        |
| Seq2Seq              | BLEU、ROUGE、BERTScore         |
| Generation           | Perplexity、Human evaluation  |
| Regression           | MSE、MAE、R²                   |
| Object Detection     | mAP、IoU                      |

## 组合任务

### 管道方法

将任务链接在一起：

1. Classification → 路由到专门模型
2. NER → 提取实体 → 生成响应
3. Translate → Summarize → Classify sentiment

### 多模态任务

组合不同的数据类型：

* Image + Text → Visual QA
* Audio + Text → Speech recognition
* Video + Text → Video understanding

## 下一步

准备好深入了解了吗？

<CardGroup cols={2}>
  <Card title="模型类型" href="/foundations/model-types">
    选择正确的模型架构
  </Card>

  <Card title="快速开始" href="/foundations/quickstart">
    训练您的第一个模型
  </Card>
</CardGroup>