SFT（Supervised Fine-Tuning，监督微调）是一种基于监督学习（Supervised Learning）的模型微调方法。
核心思想是：在预训练模型的基础上，利用具有明确输入与目标输出的标准数据集，通过最小化模型预测结果与目标输出之间的损失函数，更新模型参数，使模型适应特定任务与目标行为。
回忆：损失函数Loss Function是一个用于量化模型预测结果与目标输出之间差异的数学函数。损失值越小，表示预测结果越符合训练目标。不同的任务可以选择不同的损失函数。大语言模型中通常使用交叉熵损失（Cross-Entropy Loss）。