对于聊天大模型的微调，主要有以下几点建议：
数据质量很重要 如果没有高质量的数据集，即使使用监督微调（SFT）或其他微调方法，效果也不会太好。高质量的对话数据是微调聊天大模型的基础。
选择合适的大模型基座 在数据质量较高的前提下，选择参数量更大的大模型（如 Chatglm2-6B、Baichuan2-7B 等）进行微调，效果会更好。模型容量越大，微调潜力越大。
尝试不同的微调方法 有一些常见的微调方法，包括 SFT、LoRA、P-tuning v2 等。不同方法在成本、可控性和效果上有所权衡，需要根据实际需求选择合适的方式。
关注微调后的可控性 过度微调可能会破坏大模型的通用理解能力，导致一些问题。因此在微调时需要注意保持一定的可控性。
综合以上几点，对于聊天大模型的微调，建议先准备高质量的对话数据，选择合适的大模型基座，并尝试不同的微调方法，在保证效果的同时也要注重可控性。这样可以更好地定制出适合自身需求的聊天大模型。