这个工具在算什么

LlamaFactory 认数据集，靠的是 dataset_info.json 里那一段描述。 你在训练命令里写 dataset: my_data，它就去这个文件里找 my_data 这个键， 按对应的那个对象决定：数据从哪儿读、按哪种格式解析、哪一列当输入、哪一列当输出。

麻烦在于这段描述写错了通常不会当场报错。 你多写了一个 file_name，它被上面的 hf_hub_url 悄悄盖掉； 你给 alpaca 格式配了 messages 列，那一条压根不会被读； 你以为打开了偏好训练，但 ranking 没设成 true。 这些都要跑起来之后从结果不对劲反推回来，而反推是最贵的那种排错。

所以这个页面做的事很窄：把你粘进来的那段描述，拿官方字段规格逐条对一遍， 顺便把「按覆盖链最终生效的来源字段」和「最终生效的格式」直接算给你看。

数字和规则从哪来

全部来自 LlamaFactory 仓库的 data/README.md——就是那篇讲 dataset_info.json 字段规格、并分节说明 Alpaca / ShareGPT / OpenAI 三种格式的文档。 页面里出现的每一个默认值都是从那儿抄的：formatting 不写时是 alpaca、 ranking 不写时是 false、split 不写时是 train、 columns 里 prompt / query / response / messages 分别默认对应 instruction / input / output / conversations、 tags 的七个键默认是 from / value / human / gpt / observation / function_call / system。

覆盖链也是规格原文的描述：hf_hub_url 或 ms_hub_url 指定后， 忽略 script_url、file_name、cloud_file_name； script_url 指定后，忽略 file_name 和 cloud_file_name； cloud_file_name 指定后，忽略 file_name； 以上都没指定时，file_name 必填。 页面顶部那个「生效来源字段」，就是按这条链推出来的。

本站没有跑过 LlamaFactory 的训练，所以这里不会出现任何实测数字、显存占用、 训练耗时或者「这样配效果更好」的说法。工具能说的只有一句：按官方规格，你这段描述哪里对不上。

怎么用

第一步，粘对东西。输入单位是某一个数据集对应的那个描述对象， 不是整个文件。你可以直接粘 { "file_name": "data.json", ... } 这个对象， 也可以粘 { "my_data": { ... } } 这样的片段——后者会取第一个值来校验。 如果一个文件里有十个数据集，就一段一段粘。

第二步，先看顶部两个推导值。「生效格式」和「生效来源字段」是最容易和预期不一致的两处。 如果你以为在读本地文件，结果生效来源字段显示的是 hf_hub_url， 那说明你的本地路径根本没被用上——这一条排在所有细节前面。

第三步，按三档处理。error 必须改；warn 多半是「你写的东西不会生效」， 删掉被忽略的字段能让配置和实际行为对上；info 只是告诉你某个默认值正在起作用， 确认一下是不是你想要的就行，不需要为了消灭 info 而把默认值全都显式写一遍。

第四步，拿示例当对照。不确定某个字段该怎么写时，点「载入示例」， 对照 alpaca 与 OpenAI 两份最小可用描述的结构，比对着改自己的。

它算不了什么

它不看你的数据文件。这是纯前端页面，你粘进来的文本留在浏览器里、不上传， 它也就没有办法知道你的 data.json 里有多少条、 描述里写的列名在文件里到底存不存在、内容有没有截断或者编码问题。 描述全绿，只代表字段组合符合规格，不代表训练跑得起来。

它不评价你的数据。样本够不够、质量高不高、要不要清洗、配比怎么调—— 这些页面一律不给判断。给了也是编的：它连你的文件都没读到。

它不给规格之外的建议。凡是报出来的每一条，背后都能在 data/README.md 里找到对应的一句话。规格里没写的，页面上就不会出现。 所以你不会在这里看到「建议加上 system 列」这种话——那是别人的偏好，不是官方规格。

它不校验多模态与工具调用的数据结构。 images / videos / audios / tools 这几个列名在不在规格里，它认； 但这些列指向的内容长什么样、路径对不对，它读不到，也就不管。

想把数据格式这条线从头理一遍，可以从 LlamaFactory 专题按顺序读。