大模型微调项目简历怎么写？SFT、RLHF、LoRA怎么量化指标，别再写"对模型做了微调"

微调项目在简历上最常见的写法：

• 对Llama3-8B模型进行了LoRA微调

就这一句，完了。

面试官看完就一个想法：微调了个啥？数据怎么构造的？rank设的多少？效果提升多少？跟基线对比了吗？

什么都没有，等于没做。

微调项目不管是投算法岗还是LLM应用岗，指标就是命。没有指标的微调项目，面试官没法判断你做的东西有没有价值。

今天讲微调项目简历怎么写出技术深度。

微调项目，面试官到底想看什么

面试官看微调项目，和看RAG/Agent项目的角度不一样。RAG/Agent看重的是工程化能力，微调项目看重的是实验设计和结果分析能力。

具体来说，三件事：

1. 你的训练数据怎么来的？ 多少条？怎么构造的？质量怎么保证？数据决定了微调的上限。
2. 你的超参怎么调的？ LoRA rank设多少？为什么？学习率多少？训练几个epoch？这些选择背后要有理由。
3. 你的效果怎么评估的？ 用什么指标？BLEU/ROUGE还是人工评测？和基线对比提升多少？没有对比的指标没有意义。

微调简历的核心不是"我微调了"，是"我微调了什么、怎么微调的、效果怎么样、怎么评估的"。

微调项目的三个技术深度维度

维度一：训练数据

训练数据是微调项目最重要的一环，但简历上几乎没人写。

反面：

• 对Llama3-8B模型进行了LoRA微调

面试官：数据哪来的？多少条？怎么清洗的？怎么保证质量的？

正面：

• 构造5000条SFT训练数据（医疗问答场景），经数据清洗、去重、多样性筛选，有效数据占比从62%提升至89%

或者：

• 基于人工标注+GPT-4辅助生成构造3000条指令微调数据，覆盖5类任务场景，经质量筛选保留率72%

训练数据这一条，直接决定了面试官对你微调项目的信任度。你说"微调了"，面试官默认你是跑了个开源数据集。你说"构造了XX条数据，做了XX质量保证"，面试官才知道你是真的做过。

维度二：超参与训练细节

超参选择体现你对微调过程的理解。

反面：

• 使用LoRA微调7B模型

面试官：rank设多少？为什么？训练多久？几张卡？

正面：

• LoRA微调Qwen2-7B，rank=16、alpha=32、目标模块q_proj+v_proj，4xA100训练2小时，loss从2.1收敛至0.3

或者更简练：

• 采用QLoRA（4bit量化+LoRA rank=32）微调7B模型，单卡4090即可训练，显存占用从48GB降至12GB

区别在哪？左边只说了"用了LoRA"，右边说了参数怎么设的、用了什么资源、效果如何。面试官一看就知道你真的动手训过，不是纸上谈兵。

维度三：评测与对比

这是微调简历最重要的部分，也是最容易被忽略的。

没有评测的微调项目，等于没有做完。

反面：

• 微调后模型效果提升

面试官：提升了多少？和什么对比？用什么指标？

正面：

• 微调模型在医疗问答任务上BLEU提升15%（基线12.3→微调后14.1），人工评测准确率从71%提升至86%

或者：

• SFT后模型输出格式合规率从58%提升至94%，RLHF对齐后有害输出率从8.2%降至0.7%

关键：要有基线、有对比、有指标。 "提升了"三个字没有任何信息量。

完整反面/正面对比

反面：

医疗大模型微调项目

• 对Llama3-8B进行了LoRA微调
• 使用了SFT和RLHF
• 模型效果有所提升

正面：

基于Qwen2-7B的医疗问答微调系统，面向中文医疗知识问答场景，通过SFT+DPO对齐提升领域回答质量

个人工作：

• 构造5000条SFT训练数据，经数据清洗、去重、多样性筛选，有效数据占比从62%提升至89%
• 采用QLoRA（4bit量化+rank=32）微调7B模型，单卡4090即可训练，显存占用从48GB降至12GB
• SFT后在医疗问答任务上BLEU提升15%，人工评测准确率从71%提升至86%
• DPO对齐后有害输出率从8.2%降至0.7%，输出格式合规率从58%提升至94%

项目难点：

• 训练数据质量参差不齐，引入GPT-4辅助标注+人工复核，标注一致性从65%提升至88%
• LoRA rank选择：rank=8欠拟合、rank=64过拟合，rank=32在效果和效率间取得平衡

个人收获：

• 掌握了SFT+DPO微调全流程，积累了训练数据构造与超参调优经验
• 理解了微调与RAG的选型边界：数据量足够且任务固定时微调更优，知识频繁更新时RAG更灵活

投算法岗和投应用岗，微调简历写法不同

投算法岗：微调是你的核心能力，要写得最详细。数据构造、超参调优、评测体系、对比实验，每个环节都要有。面试官会往深了问，你得经得住。

投LLM应用岗：微调是你的选型判断能力，不需要写那么细。重点写"什么时候该微调、什么时候该RAG"这种选型决策，微调细节点到为止。

举个例子，投LLM应用岗的技能栏写"了解大模型微调流程（SFT/LoRA），理解微调与RAG的选型边界"就够了，项目经历里微调部分写2-3条就行。

微调项目常见的3个坑

1、"微调后效果提升"但没有指标

这是最致命的。没有数字，面试官没法判断你做的东西有没有价值。BLEU、ROUGE、准确率、人工评测通过率——总有一个你能给的。给不了精确值，给估算值也行："准确率提升约15%"比"效果提升"强100倍。

2、只写了SFT/RLHF/LoRA的名字，没写具体做了什么

"使用了SFT"等于没写。SFT你训了什么数据？多少条？"使用了LoRA"等于没写。rank设多少？为什么？面试官要的是你的决策过程，不是技术名词列表。

3、没有基线对比

"微调后BLEU达到14.1"——这个数字高还是低？没有基线，面试官不知道。加上"基线12.3→微调后14.1"，立刻有说服力。

微调项目简历的核心：指标就是命。没有指标的微调，等于没做。

下一篇讲从Java/Go转型AI方向，社招简历怎么写。