在企業數字化轉型進程中，大模型業務適配需求愈發迫切，但數據準備卻成為關鍵阻礙。一方面，大模型訓練需高質量、充足的數據支撐，而垂類場景下，高質量標注數據稀缺且成本高，隱私合規也限制了數據來源；另一方面，數據類別不平衡也會影響模型效果，且多數企業團隊缺乏算法背景，傳統數據增強技術門檻高，難以實現小數據量下的高效能。

為此，百度智能云千帆ModelBuilder重磅升級文本數據集“數據增強”功能，業界首創智能生成+人工篩選雙軌增強鏈路。直擊精調數據樣本稀疏與分布偏差兩大痛點，通過Evol-Instruct等算法產品化實現能力多元拓展，結合自動化效率與人工質控雙重保障，大幅降低訓練集構建門檻與成本，讓非技術用戶也能高效打造優質數據，推動模型效果顯著提升。

在大模型訓練中，訓練數據的樣本量和多樣性直接影響模型的表現和泛化能力。數據增強是指通過對已有的種子數據施加特定的變換、擾動或生成策略，創造出一系列內容合理、語義和風格保持一致但形式多樣的增強數據。通過這種方式擴大訓練數據規模，增強訓練數據的多樣性，引導模型在訓練中學習到更豐富的語言模式與語義變體，從而降低過擬合風險，增強模型在真實場景中的泛化能力。

百度智能云千帆模型開發平臺ModelBuilder支持對文本數據集進行靈活的增強操作，支持分步生成多樣化的Prompt和高質量的Response訓練數據，改善模型訓練效果。

百度智能云千帆ModelBuider“數據增強”擁有四大核心優勢：一是精準解決精調數據樣本稀疏與分布偏差兩大痛點，有效提升模型泛化能力；二是集成Evol-Instruct等前沿算法并實現產品化落地，提供豐富預置增強方向與高度自定義配置，適配各類差異化業務場景；三是獨創“Prompt自動生成→人工篩選優化→Response智能生成”增強鏈路，兼顧效率與數據質量；四是通過零代碼、可視化操作界面，降低技術門檻與經濟成本，讓非算法背景人員也能高效構建訓練集。

在輿論媒體文本情感分析場景，情感分析（也被稱為意見挖掘）是自然語言處理的重要分支，需判斷文本情感傾向，應用廣泛但面臨數據差異大、文本形式復雜等挑戰。

經實驗，基于目前平臺的數據增強功能，在原始數據量有限或質量不足時，通過創造多樣化的“新”數據，能夠針對具體業務場景，結合模型精調有效提高模型的性能。本實驗僅采用輕量化模型ERNIE-Tiny-8K和默認參數配置作為參考，僅使用20條數據，準確率已經能夠從基礎模型的23%提升到85%，二次優化后，也能提升至86%，并幾乎追平“人工準備數據3000條”的模型效果。

目前，百度智能云千帆ModelBuilder “數據增強”功能已正式上線。開發者可訪問百度智能云千帆官網體驗，建議在數據增強后，開發者人工審核標注結果以及數據分布情況，確保數據質量及分布均滿足要求，然后發起模型精調。