加示例反致质量下降，需用SeTa剪枝法优化：先识别冗余、困难、简单三类低价值样本，再通过随机聚类或课程式难度剪枝删除低效样本，最后重校准分布并A/B测试验证效果。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
火山引擎提示工程中加了更多示例却导致模型回答质量下降，说明当前样本存在冗余、难度失衡或语义干扰问题，必须立即干预调整。
识别低价值样本类型
打开火山引擎控制台→进入「模型调优」→点击「提示样本分析」→查看每个样本的「置信度衰减曲线」和「任务偏离度评分」。偏离度＞0.65的样本大概率在拖累整体效果。
重点排查三类样本：【冗余样本】——相同意图但表述微调的样本超过3条；【困难样本】——连续2轮推理失败且人工标注耗时＞180秒；【简单样本】——模型首token准确率＞99.2%且无泛化价值。
执行SeTa无损剪枝
方法一：随机聚类剪枝（适用于样本＞200条）
① 在「样本管理」页勾选全部样本→点击「批量分析」→选择「SeTa-随机聚类」模式；
② 系统自动将样本划分为5～7个簇，标红显示「高冗余簇」和「低贡献簇」；
③ 直接删除「低贡献簇」中置信度＜0.42的所有样本，保留每簇Top3高置信样本即可。
方法二：课程式难度剪枝（适用于指令微调场景）
第一步：导出当前样本集的loss分布直方图；
第二步：在横轴0.15～0.35区间（中等难度区）手动圈选样本→右键「设为课程锚点」；
第三步：系统自动向左右两侧滑动窗口，剔除loss＜0.08（过简单）和loss＞1.82（过困难）的样本；
注意：滑动窗口宽度不可超过0.4，否则会误删关键边界样本。
重校准样本分布
剪枝后必须重做分布校验：进入「样本统计」页→点击「维度热力图」→检查「意图覆盖度」「槽位完整率」「长度方差比」三项指标。若任意一项低于阈值（85%/92%/1.3），需用火山引擎「智能扩样」功能补足缺口——输入1条高质量种子样本，系统自动生成3～5条语义等价但句式差异大的新样本，不增加冗余。
完成扩样后，立即触发「在线A/B测试」，对比剪枝前后P@1和F1-score变化。只要P@1提升＞0.8%，即可发布新提示集。
