直接回答：LIMA 等工作验证过：几百到几千条精选数据就能激发基座模型的指令跟随能力，而低质量数据（格式混乱、答案错误、风格不一）会直接污染行为。质量体现在三处：答案正确性（事实错误会被忠实学会）、格式一致性（输出结构不统一模型就学不到结构）、覆盖多样性（任务类型、长度、语言分布决定泛化面）。

展开解析：构造流程：先定数据规格——任务分类体系（问答、改写、代码、推理各占多少）、格式模板、长度分布目标；再定来源优先级：专家撰写 > 强模型生成加人工审核（Self-Instruct 路线）> 真实用户数据脱敏改写 > 纯模型生成不审核（基本不可用）。清洗环节：去重（含近重复，用 MinHash）、去低质（过短过水、拒答模板过多）、去污染（与评测集做 n-gram 比对）。配比上宁缺毋滥：一万条混杂数据常不如一千条精数据，多余预算应花在多样性上而非堆同类型。验证手段：小规模消融——固定其他变量只换数据集训两版，跑同一评测集对比，数据质量差异会清晰反映在尾部 badcase 率上。还要注意分布匹配：微调数据的语言、领域、难度分布应尽量贴近线上请求分布，否则模型在真实流量上表现打折。

追问方向：合成数据如何避免模型坍缩？拒答样本比例多少合适？

（约 460 字）