微调大模型最怕的事：学了新本事，忘了老手艺。Nova Forge 怎么解决的

亚马逊云开发者2026-03-17 8:05

做过 SFT 的人都有体会：微调前模型啥都会一点，微调后某个领域变强了，但写文章、做推理、聊天的能力明显变菜了。

这叫灾难性遗忘。学了新东西，把老东西覆盖了。

最近用 Amazon Nova Forge 试了一下它的数据混合方案，效果不错------领域分类准确率上去了，MMLU 分数几乎没掉。

任务背景

客户评论分类，1420 个细分类别，四级标签体系，14000+ 训练样本。典型的企业级分类任务。

基础模型 zero-shot 不够准（类别太细），普通 SFT 之后分类好了但通用能力废了。

Nova Forge 做了什么

核心思路：微调时不只用你的领域数据，自动混入 Nova 的精选通用数据。

你提供领域训练集，Nova Forge 自动：

从 Nova 训练语料中选互补子集
动态调整混合比例
联合优化领域损失和通用损失

不需要你手动找通用数据、试混合比例。

效果

指标	基础模型	普通SFT	Nova Forge
VOC分类	低	高	高
MMLU通用	正常	明显下降	基本持平

关键：领域能力和通用能力不再是二选一。

代码长什么样

python 复制代码

import boto3, json

bedrock = boto3.client('bedrock', region_name='cn-northwest-1')

# 创建微调任务
response = bedrock.create_model_customization_job(
    jobName='voc-classifier',
    customModelName='nova-voc',
    roleArn='arn:aws-cn:iam::123456789012:role/BedrockRole',
    baseModelIdentifier='amazon.nova-pro-v1:0',
    trainingDataConfig={
        's3Uri': 's3://bucket/training_data.jsonl'
    },
    outputDataConfig={
        's3Uri': 's3://bucket/output/'
    },
    customizationType='FINE_TUNING',
    hyperParameters={
        'epochCount': '3',
        'batchSize': '8',
        'learningRate': '0.00001'
    }
)

训练数据是标准 JSONL，messages 格式：

json 复制代码

{
    "messages": [
        {"role": "system", "content": "分类系统 prompt..."},
        {"role": "user", "content": "这个摄像头安装很简单"},
        {"role": "assistant", "content": "{\\\"level_1\\\":\\\"安装与配置\\\",...}"}
    ]
}

什么时候用

领域分类/工单路由 → 用 Nova Forge
特定格式输出 → 用 Nova Forge
数据很少（<100条）→ 用 PEFT 或 few-shot
只是调 prompt 能搞定 → 不需要微调

如果你遇到了"微调后通用能力退化"的问题，数据混合是目前比较靠谱的解法。

🔗 Amazon Nova Forge：aws.amazon.com/cn/nova/for...