SFT 数据要多少条？

定向任务 1 万~10 万条高质量数据常见；质量远比数量重要：1 万条精标数据常胜过 10 万条网络爬取数据。

数据集占多少磁盘？

总 token = 样本数 × 平均 token × epochs；中文文本约 3.5 字节/token。例：10 万条 × 800 token × 3 epoch ≈ 2.4 亿 token ≈ 840MB。

AI & COMPUTE · 开发者算账系列

🧮

样本数×平均token×epochs = 训练 token 总量，磁盘占用和单卡微调时长一起算。

💡为什么要做这个工具

准备 SFT 数据时总要回答：这些数据训练要多久？工具按总 token 推算磁盘占用与单张 4090 的 LoRA 微调时长，数据规划心中有数。

默认值是典型配置（如 7B 模型、A100 单卡），按你的实际情况改。

改任何一个数，结论、明细、敏感性分析全部自动跟着变。

红黄绿结论卡告诉你够不够、贵不贵，行动清单告诉你下一步。

📏默认参数是典型档位（模型规模、卡型、单价），按你的实际配置改了再下结论

🪤云厂商价格与折扣变动快，以控制台实际报价为准，预留 20% 余量

🧮别只看峰值：显存和成本都要考虑峰值 + 平均 + 长尾三种口径

❓常见问题

SFT 数据要多少条？: 定向任务 1 万~10 万条高质量数据常见；质量远比数量重要：1 万条精标数据常胜过 10 万条网络爬取数据。
数据集占多少磁盘？: 总 token = 样本数 × 平均 token × epochs；中文文本约 3.5 字节/token。例：10 万条 × 800 token × 3 epoch ≈ 2.4 亿 token ≈ 840MB。