这是一篇论文解读。我们将按照学术论文的逻辑结构逐层解析腾讯混元与UNSW在ACL 2026发表的这篇关于SFT不完全学习现象ILP的论文——从现象发现到检测方法从归因框架到修复方案从物理溯源到实验验证。不添油加醋只讲论文本身的发现和结论。论文:Why Supervised Fine-Tuning Fails to Learn: A Systematic Study of Incomplete Learning in Large Language Models会议: ACL 2026 |单位: 腾讯混元 与 UNSWarXiv: https://arxiv.org/abs/2604.10079一、论文要解决什么问题SFTSupervised Fine-Tuning监督微调是大模型应用落地的核心环节。但每个做过SFT的工程师几乎都遇到过这样一个反直觉的现象训练loss已经收敛、benchmark分数在涨——但把训练集重新输入模型让它逐条回答时总有一批样本模型就是答不对。过去业界对这个现象的解释五花八门“泛化能力差”、“数据噪声”、“长尾分布”、“解码不稳定”——但这些都只是描述现象没有触及根本原因。这篇论文的核心贡献它不是提出了一个新技巧来让SFT效果更好而是从根本层面回答了三个问题是否存在SFT训练收敛后模型是否真的有部分训练样本没学会为什么为什么学不会病根在哪里怎么办针对不同的病因应该用什么方法修复这三位一体的框架——检测、归因、干预——构成了论文的方法论骨架。二、核心发现15.3%的训练样本没学会2.1 检测方法MC转换 pass5论文首先需要回答第一个问题如何可靠地判断一条训练样本模型学会了传统做法看loss——但loss低不代表学会了可能只是过拟合。论文提出的方案是MC转换Multiple-Choice Conversion多项选择转换 pass5多轮采样。MC转换把每条SFT自由文本问答对转化为4选1选择题。关键在干扰项构造——干扰太弱模型排除法蒙对ILP被低估到19.7%干扰太强模型答错不一定是没学会ILP被高估到11.8%。论文最终用GPT-4逐级构造四级质量过滤检测结果为15.3%。pass5每次独立采样5次温度0.75次中答对不超过1次pass50.2判定为未学会。论文做了N值消融实验N值检测结果Kappa系数说明pass123.7%-解码噪声被误判pass317.8%0.84仍不够稳定pass515.3%0.91最终选择pass1014.1%0.93边际收益极小pass5在精度和计算量之间取得最佳平衡。2.2 稳定性验证论文做了三重验证来排除检测方法设计缺陷的质疑跨温度验证temperature0.5/0.7/0.9检测结果差异约0.5%以内重测信度一个月后重新检测同一批样本Kappa0.89跨模型验证Qwen、LLaMA、OLMo2三模型同时检测判定差异约0.8%以内三重验证指向同一个结论ILP是真实存在的现象不是检测方法的人为产物。2.3 现象普遍性ILP是系统性问题论文在10个标准SFT数据集上做了系统测试覆盖知识MedQA、LegalBench、推理ARC、MATH、GSM8K、指令Alpaca、ShareGPT、Dolly三大类。结果每个数据集都存在ILP从未学习率最低的Alpaca约8.6%到最高的MedQA约21.4%10个数据集平均15.3%波动约2.1%ILP与数据质量无关——手工抽查10%样本标注正确率98%ILP未消失ILP与模型规模弱相关——1.8B→14B近8倍参数ILP仅下降2.1个百分点这些数据说明ILP不是个别数据集的特例不是数据质量差的后果也不是小模型特有的问题——它是SFT范式的系统性特征。三、归因框架五大根因确认ILP存在后论文要回答第二个问题为什么学不会3.1 五大根因的定义论文对大量未学习样本做聚类分析发现它们自然形成5类根因I预训练知识缺失SFT试图教模型预训练阶段从未见过的知识。诊断信号基模型zero-shot准确率25%近乎随机。物理验证在OLMo2Dolma 5T token语料中根因I样本的精确匹配率仅8.2%远低于通篇平均的33.8%。根因II预训练知识冲突SFT标注的内容与基模型预训练形成的知识先验存在冲突。诊断信号基模型zero-shot有答案但置信度低。物理验证根因II样本在Dolma中匹配率达21.7%但全部以冲突形式存在预训练语料中的知识与SFT标签不一致。根因III数据内部矛盾训练集中存在语义相似但标签相反的样本对。诊断信号用Sentence-BERT计算相似度0.85但标签不同的样本对。论文检测发现对话数据集中3%~5%的样本对存在矛盾而知识型数据集仅0.5%。根因IV左侧遗忘位于训练序列前段的样本被后续训练覆盖。诊断信号样本在前10%-20%位置pass5先升后降倒V形曲线。论文精确定位实验显示前10%样本ROUGE-L比中段低29%。根因V优化不足难样本的loss仍在下降但被大量简单样本的梯度稀释。诊断信号简单/难样本比例10:1论文实测16:1难样本loss在训练结束时仍未收敛。3.2 2x2快速定位矩阵为了让归因可操作论文设计了一个两步定位矩阵基模型zero-shot25%随机基模型zero-shot50%有知识SFT标签正确→ 根因I知识缺失→ 根因IV/V遗忘或优化不足SFT标签错误→ 根因II知识冲突→ 根因III数据内部矛盾两个维度、两步定位、五分钟完成80%以上的归因。剩余20%需要看训练序列位置根因IV和loss曲线趋势根因V但这些信息都在训练日志中。3.3 根因分布规律不同数据集的根因分布差异显著呈现明确的领域特征数据集类型主要根因代表数据集占比知识密集型III占主导MedQAI:8.3%II:3.2%11.5%推理型II占主导ARCII:5.5%5.5%对话/指令型IIIIVV占主导ShareGPTIII:4.8%IV:4.3%9.1%核心规律知识密集型领域的主要病因在预训练层面根因III对话指令类领域的主要病因在训练过程层面根因IIIIVV。这个规律直接指导实操——不同领域的SFT项目应该有不同的优化优先级。3.4 各根因的行为签名对比论文详细记录了每个根因在训练过程中的独特行为模式这些信号可以直接用于归因判定根因Loss曲线pass5曲线加epoch效果解码行为I快速收敛但始终偏高持续偏低几乎无效~2%logits平坦答案不一致II震荡收敛偏低且波动有限~1%高置信但输出错误III震荡不收敛波动大不稳定输出偏向中间态IV正常收敛先升后降倒V形有限改善位置10%-20%表现差V持续下降但偏高偶尔答对有限~1.8%不稳定但非随机这些信号中根因IV的倒V形pass5曲线是最独特的行为签名——训练中期准确率反而高于训练结束这是其他任何根因都没有的特征。在实际归因中如果发现某个子集的pass5先升后降可以直接锁定根因IV。四、干预方案与对照实验论文为每个根因设计了针对性方案并做了严格的对照实验。4.1 五种方案及其效果方案针对根因操作效果对照加epoch算力成本CPT知识增强I外部语料CPT→SFTMedQA12.5%2.0%48h A100CPT校准II纠偏CPT→SFTARC2.8%0.5%36h A100动态分桶III矛盾样本分桶2.8%不稳定0.5h CPU全局打乱重采样IV随机混合加权前10%ROUGE-L29%无明显改善接近零渐进EpochV难样本加训1.8%~1.9%1.8%~1.9%接近零4.2 最关键的对照实验CPT vs 加epoch论文最震撼的发现来自根因I的对照实验组别根因I样本通过率算力成本倍数标准SFT3 epoch基线1x加epoch到3010倍算力约2%约9xCPT 5B token SFT3 epoch12.5%约2x差距达一个数量级。这个实验直接证明了SFT的根本能力边界SFT只能在已有表征上做微调不能从零构建知识表征。加10倍epoch只换来2%的提升而CPT再SFT用2倍算力换来了12.5%的提升。4.3 方案选择原则论文提出一个重要的实操原则不同根因需要不同方案用错方案等于无效。比如根因I用动态分桶毫无作用根因IV用CPT纯属浪费。因此实操中的策略是成本阶梯决策从零成本方案全局打乱→渐进Epoch→动态分桶→CPT校准→CPT知识增强逐步升级用最少的算力拿最大的提升。五、物理溯源ILP的终极验证5.1 为什么需要物理溯源归因框架虽然逻辑自洽但根因I和根因II的判定依赖基模型行为而非预训练语料确实性。论文需要从物理层面验证模型没学会到底是因为预训练语料里没有这个知识还是因为语料里有但模型没内化5.2 OLMo2 Dolma三层检索论文选择AI2的OLMo2-7B——唯一一个模型完整预训练语料Dolma 5T token双开源的模型。设计了三层检索第一层Elasticsearch精确字符串匹配第二层Sentence-BERT语义嵌入768维近邻检索第三层前两层不一致的样本由3名标注员独立判定Kappa0.855.3 关键发现19.3%的SFT知识在Dolma中完全不存在根因I的物理证据14.5%以冲突形式存在根因II的物理证据剩余样本在预训练语料中存在但SFT效果仍然差——说明预训练存在≠模型内化这个实验把模型为什么没学会这个抽象问题落到了预训练语料里到底有没有这条知识这个可检验的物理事实上。三层检索相互验证确保了结论的可靠性。六、论文的贡献与局限6.1 核心贡献发现了ILP这个现象SFT训练收敛后仍有约15.3%的训练样本未被学会跨模型、跨数据集、跨温度稳定存在建立了归因框架五大根因2x2矩阵把为什么没学会从猜测变成可计算的分类验证了因果闭环干预→验证确认归因正确性形成科学方法论物理层面溯源用OLMo2Dolma在语料级别验证了根因I/II的存在这是其他任何研究没有做到的6.2 局限与开放问题论文自己也指出了若干开放问题ILP能否完全消除五种方案联用的极限在哪里其他训练范式RLHF、DPO、多模态是否存在ILPCPT的副作用MMLU下降2.1点能否完全避免自由文本评估场景下的ILP检测如何实现未知根因——五大根因覆盖了97%的ILP样本但仍有约3%无法归因可能存在尚未被发现的第六类根因这些问题正是论文打开的未来研究方向。其中CPT的副作用控制和ILP检测标准化是最有工程价值的方向。如果能把CPT的通用能力退化控制在1个点以内或者开发出一键式的ILP检测工具都会对SFT工程实践产生直接影响。6.3 论文的方法论价值除了具体的发现和数据这篇论文最大的方法论价值在于它为SFT研究引入了样本级评估的维度。传统SFT评估只关注整体指标loss、benchmark准确率。这些指标回答的是模型总体表现如何但回答不了模型在每条训练样本上学到了没有。论文的MC转换pass5框架让SFT评估从任务级下沉到了样本级——这是评估范式的一个根本转变。类比一下传统SFT评估就像看学生的期末总分85分而ILP检测就像逐题批改100道题中有15道完全不会。前者告诉你还不错后者告诉你哪里有问题。两者结合才是完整的评估体系。七、总结从这篇论文学到了什么这篇论文对SFT社区的启示可以概括为三点第一SFT不是万能的。SFT只能在已有表征上做微调不能从零构建知识。当预训练知识缺失时加再多的SFT数据和epoch都无法弥补——这是SFT的物理极限。第二不归因就选方案等于不看病就开药。五大根因需要五种不同的方案用错方案等于无效。归因不是学术花哨是SFT优化的前置条件。第三SFT优化应是诊断驱动的。有了检测→归因→干预→验证的闭环框架SFT优化从黑盒调参变成了科学诊断。这个框架是整个论文最有方法论价值的贡献。对于正在做SFT的工程师建议从今天开始在训练完成后增加一个pass5检测步骤。掌握自己的ILP率和根因分布比盲目加epoch、加数据、换模型要有效得多。这篇论文提供的不只是一个发现更是一套可以立即投入使用的工具箱。