这一阶段评价的不是模型本身，而是数据与任务的质量：如果前期数据杂乱，任务边界不清，后续训出的模型跑分再高也不可信。数据质量：去重、去污染；标注一致性（常用一致率或 Cohen κ）；垂直域的数据集（法律、医学等）往往没有现成试卷，要先定义合格的题目样本。任务定义：输出是离散类别、固定参考答案文本，还是开放生成？与后续评测的衔接：避免训练、公开榜、业务验收各说各话。对绝大多数普通用户, deepse