直接回答：SFT 数据构造的公式是“多样任务 × 高质量答案 × 严格清洗”。来源可以是人工编写、强模型蒸馏（用更强的模型生成答案再人工抽检）、真实业务数据脱敏改造。经验结论（LIMA 等研究反复验证）：几千条精心打磨的样本就能显著改变模型行为，而十万条噪声数据反而教会模型敷衍与幻觉——模型学到的是答案的风格与习惯，坏样本教出坏习惯。

展开解析：质量标准拆解：指令覆盖度要够（目标场景的任务类型、长度、语言分布都应有）；答案要符合期望的格式与口吻，想让模型“不知道就说不知道”，数据里就必须有拒答样本；多轮对话数据要注意历史轮次的合理性。清洗流水线：去重（含近似重复，防止过拟合到特定样本）、去模板化（大量“作为 AI 助手”开头的答案会让模型变啰嗦）、长度过滤、用奖励模型或规则粗筛低质答案再人工抽检。蒸馏数据的版权与协议风险要确认（部分模型协议禁止用其输出训练竞品）。最后用消融实验验证：留一份验证集，对比加入某批数据前后的效果，数据建设要像代码一样可回溯、可评审。

追问方向：蒸馏数据与人工数据如何配比？如何检测训练数据被污染进评测集？

（约 460 字）