04. End-to-End Experiment | 端到端实验

页面目标

这一页回答的是：SFT 闭环是否真的跑通，以及跑通之后能不能拿出可解释的实验结果。

它承接 32 SFT 数据工程和 33 Fine-Tuning Readiness 的项目准备，也承接 13 End-to-End Fine-Tuning Experiment 的实际运行，最后把结果交给 60 LoRA Fine-Tuning Project 做项目交付。

你要先确认什么

train / val 是否分开。
评估是否周期性触发。
样例生成是否真的发生变化。
显存和速度是否在预期范围内。

演化路径

端到端实验不是只看最终 loss，而是要把训练过程变成可验证的实验报告。

先确认 32 已完成字段清洗、异常审计和训练样本构造。
再确认 33 已明确目标、预算、数据规模和评测窗口。
再确认训练是否能稳定推进，并核对 13 的训练控制口径。
再看验证曲线和生成样例是否有实际变化。
最后把结果整理成可复盘、可交付的实验结论。

这一页的重点是“闭环”而不是“数值本身”。

常见误区

只看 train loss，不看 val 和样例。
验证集样本太少，导致判断失真。
训练跑完了，但没有保存最小可复现实验信息。
结果看起来下降了，但无法说明模型真的变好了。

经典阅读入口

前置关系

先看 32 -> 33，确认数据和项目准入条件。
再看 01-03，把监督口径、LoRA 和训练控制对齐。
再看 04，实验结论才有基础。

与项目路线的关系

13 是端到端训练实验，重点是确认训练闭环和评测口径。
60 是正式 LoRA 交付项目，重点是 artifact、报告和采用决策。
30 长上下文微调属于扩展路径，需要额外检查长度分布、fit rate、显存和 step time。

本节要点

端到端实验的价值不是“证明模型能训”，而是把训练结果变成能复盘、能比较、能交付的证据。