finetuning微软官方放心用在 Azure AI Foundry 上完成模型微调、部署与评测
该技能覆盖 Azure AI Foundry 上的模型微调全流程，支持 SFT（监督微调）、DPO（偏好对齐）和 RFT（基于评分器的强化微调）三种训练方式。它会指导你准备训练/验证数据，运行 `scripts/validate/` 校验格式，用 `submit_training.py` 提交任务，并通过 `monitor_training.py` 与 `check_training.py` 监控训练曲线。针对 RFT，还会用 `calibrate_grader.py` 把基模型失败率校准到 25–50%；训练完成后用 `deploy_model.py` 部署、用 `evaluate_model.py` 评测，还提供数据格式转换、蒸馏合成与数据集质量评分脚本。
适合想让模型学会固定输出格式、对齐人类偏好，或在可验证任务上通过评分器自我改进的场景。需要先有 Azure AI Foundry 项目、基模型访问权限，以及符合格式要求的训练数据。常见坑包括旧版 `openai` SDK 报错、OSS 模型需 `globalStandard`、RFT 工具端点容量不足导致评估卡住，以及训练数据含 PII 触发内容安全拦截。
在下面找到你用的工具，复制命令粘进终端就装好了：
npx skills add microsoft/azure-skills装好后不用任何配置，直接在对话里说：
用这份客服数据帮我微调一个gpt-4.1-mini模型并部署评测。AI 检测到任务匹配时会自动加载这个 Skill，不需要手动开关。
SKILL.mdreferences/scripts/workflows/ 是的。该技能提供 `scripts/validate/` 校验和 `convert_dataset.py` 格式转换，也支持用 `generate_distillation_data.py` 生成合成数据，但原始领域数据仍需你自己提供或构造。
SFT 适合模仿示例格式；DPO 适合按成对偏好对齐模型；RFT 适合有明确可验证奖励的任务，需要额外设计评分器并把基模型失败率校准到 25–50%。
不能，需要用 `deploy_model.py` 部署。注意 ARM 部署成功后可能因数据面同步出现 DeploymentNotReady，通常删除重建并等待 5 分钟即可。