都是一百条成功轨迹，为什么训练效果可能完全不同？
上一节确认了哪些助手位置进入 loss。现在模板和掩码都正确，却仍不能只凭“收集了一百条成功数据”判断训练价值。轨迹包含什么任务、怎样成功、有多长，都会改变模型实际看到的行为。本课讲数据选择与训练信号的账目，不给一个跨模型通用的最佳数据配比。
一百次成功，可能只覆盖十种问题
设数据集 A 来自 10 个任务，每题重复采样 10 条成功轨迹，总数 100；数据集 B 来自 100 个不同任务，每题一条，也是 100。A 更充分展示同题不同解法，B 覆盖更多问题。若目标测试强调新任务泛化，两者提供的信息不同；不能因为总条数相同，就认为训练信号等价。
这也不意味着 B 必然更好。一百个不同任务若都不属于目标领域，可能不如十个高质量代表任务；新任务如果大部分简单重复模板，名义数量也夸大多样性。应该同时记录任务来源、难度、工具类型与错误类型，而不是只数文件个数。
通过测试，不代表每一步值得模仿
继续重试次数修复任务。轨迹甲四步完成：复现、定位、修改、回归；轨迹乙先错误地把默认值改成 0，看到回归失败后恢复并做正确修复；轨迹丙连续执行十一轮没有改变任何文件的测试，最后碰巧切到正确文件才通过。
甲提供直接有效的路径；乙提供如何利用失败反馈恢复的行为；丙的大段重复未带来新信息。只保留最终成功会把这些都喂给模型。第 39 节已经说过，SFT 会提高记录中目标行动的概率，不会因为最终成功就自动识别中间哪一步是坏习惯。
不能靠“越短越好”解决
如果简单删除所有长轨迹，会丢掉乙这种有价值的错误恢复示范；如果规定至少五轮，又会删掉干净的四步甲。轮数只是过程长度的代理，不直接说明质量。应判断某一步是否获得新证据、改变有效状态、验证假设或恢复错误。
想删除坏步骤也不能随意剪切。乙后面的“撤销刚才的改动”依赖前面的错误编辑；删掉错误行动却保留撤销，就会让状态对不上。可以保留连贯轨迹但对部分位置采用明确的监督策略，也可以重新执行产生干净示范；不能伪造一个从未成立的工具返回。
成功轨迹要看怎样成功
先判断每一步是否提供新信息，再比较长度与教学价值。
教学构造场景 · 按下方规则逐步回放；不调用真实模型，不代表实际成功率。
目标相同：保留显式0且通过默认值回归
- 1. 复现与定位
看到 3 != 0 并找到 or 3。
- 2. 修复
只对 None 使用默认值。
- 3. 回归
检查缺省、None、0、2，行为均符合约定。
看到 3 != 0 并找到 or 3。
先预测，再核对结果与原因
短轨迹，每一步都推动任务。不该仅因少于某个轮数阈值就删除。
比较固定的短直接轨迹和长恢复轨迹。回放不是说长一定更好，而是让你看到“有没有必要的新信息”比长度本身更接近我们想训练的行为。
按条数平衡，为什么按 token 看又失衡
设一百条样本中，90 条每条有 100 个有效目标 token，10 条每条有 1000 个。它们是用来演算的数据长度输入，不是某模型 tokenizer 的实测。短组贡献 90×100=9000，长组贡献 10×1000=10000，总计 19000。
长轨迹只有条数的 10%，却占目标 token 的 10000÷19000≈52.63%。如果采用把所有有效 token 等权平均的训练口径，它们在 token 账目里已经超过一半。若训练器先按样本平均再聚合，权重会不同；所以既要看长度，还要检查实际 loss reduction 和采样方式。
同一条轨迹内部也可能失衡。900 个推理 token 加 100 个调用 token，在简单等权口径下调用只占 10%。但实际任务可能对工具参数的精确性极敏感。加权或重采样是可探索的方案，具体权重需要验证；不能因为“动作重要”就任意把所有说明文本删掉。
教师强，不等于它的数据最适合学生
教师自己能做对更多题，不保证其长上下文策略、工具格式和推理风格适合较小学生。学生可能只能复制表面，不能维持老师的长程依赖。要用目标学生在保留任务上的结果检验数据价值，而不是只根据教师榜单分数选择。
数据切分也必须避免同一任务的十条轨迹散落在训练与测试两边。否则所谓“新问题表现”可能只是看过近似轨迹。若要声称跨仓库泛化，应按仓库隔离；如果只声称同一类任务的新运行，也要明确这个更窄的边界。
需要拍板的不是一个总数
先定义目标任务分布，再决定覆盖与重复的预算；同时检查结果标签、过程连贯、冗余动作、真实目标 token 分布与训练归一化。验收保留小规模基线，在相同训练预算下比较一项数据改动，并检查目标能力与原有能力的回归，避免把“训练 loss 更低”当唯一胜利。
数据量是条数，学习信号还取决于覆盖、行为质量、长度和权重。 下一节即使这些都做好，部署时仍可能失败：因为模型面对的协议与状态不再是训练时那一套。
理解题 1：十个任务各十条成功，与一百个任务各一条，有什么不同？
前者增加同题策略样本，后者增加任务覆盖。对泛化的价值取决于任务相关性和质量，不能只按一百条判等价。
理解题 2：为什么不能直接删掉恢复轨迹中的错误编辑？
后续观察与撤销可能依赖它。随意删除会破坏环境状态因果链，形成模型运行时不可能遇到的示范。
理解题 3：长轨迹占条数10%，就只影响10%的训练吗？
不一定。例子中它们占有效token约52.63%；实际权重还取决于采样和loss归一化。必须同时核对实现与长度账本。