模型表现，很大程度上取决于其训练数据的质量。在您通过微调改变模型表现之前，必须先收集一个能清晰且统一体现期望能力的数据集。本章将系统地指导您如何准备高质量数据，从而让大型语言模型具备特定能力。

您将学习创建可供模型使用的数据集的完整流程。我们会讲到：

• 数据获取与结构化： 寻找合适的公开或私有数据，并将其组织成指令遵循或对话对 $(x, y)$ 等有效格式的方法。
• 数据清洗与预处理： 移除噪声、处理不一致性、以及文本标准化的实用技术，以提升训练稳定性和最终模型表现。
• 分词： 将文本转换为模型所需数字格式的过程，包括处理特殊词元、填充和截断的策略。

本章最后包含一个实践练习，您将运用这些技术，将原始文本数据处理成一个结构化、已分词的、可用于微调的数据集。