LoRA 的训练数据如何准备？

1. 数据质量优先

LoRA 微调对数据质量较为敏感，高质量、与目标任务高度相关的数据集往往比单纯扩大数据量更重要。在指令微调等场景中，少量高质量样本即可获得良好效果。

2. 格式与任务对齐

训练数据需组织为与下游任务一致的输入输出格式，例如指令-回答对、文本续写样本等，确保模型在微调时学习到目标的行为模式。

3. 图像任务的素材准备

在图像生成等视觉任务中，通常准备数十张清晰、角度多样的目标图片，并为其生成对应的文本描述（打标），用于训练特定风格或概念的 LoRA 模型。