一、前言

    在大模型技術蓬勃發展的今天，如何讓AI真正“理解”用戶意圖，而非僅僅生成流暢文本，已成為落地應用的核心瓶頸。尤其是在客服、搜索、智能助手等場景中，模型對用戶query的深層語義解析能力，直接決定了交互體驗的成敗。然而，經過標準SFT（監督微調）訓練的模型，往往在偏好對齊和意圖識別精度上存在明顯不足——它們“會說話”，卻未必“懂人心”。

    本文以開源大模型Qwen3-4B為實驗基座，結合高效微調框架LLaMA-Factory，系統探索基于DPO（Direct Preference Optimization）算法的偏好對齊方案，推動模型從“泛化生成”向“精準理解”的垂直進化。通過引入低秩適配（LoRA）等輕量化技術，我們在有限算力條件下，實現了對意圖理解任務的高效優化。從數據清洗、提示詞工程到偏好對的構建與損失函數設計，本文將完整還原一條提升意圖識別準確率超30%的實戰路徑，揭秘如何讓通用大模型真正“聽懂”用戶需求。

    針對意圖識別任務的優化，SFT（監督微調）是必要基礎，而DPO（直接偏好優化）是可選的增強手段。是否需要兩步走取決于您的數據資源、性能瓶頸和任務復雜度。

前置文章：

開源模型應用落地-用LLaMA-Facto