[v1] update docs (#10684)

docs/zh/feature-guide/data_preparation.md

@@ -0,0 +1,89 @@
+# 数据准备
+
+v1 将训练样本统一为 Messages 结构。`DataEngine` 根据 `train_dataset` 指向的路径加载数据，并在存在 `converter` 时转换原始字段。
+
+## 配置训练数据集
+
+训练 YAML 的 `train_dataset` 指定数据来源。数据文件路径或 Hub ID 对应单个 Messages 格式数据集；数据集 YAML 则通过条目描述数据路径、split、converter 和采样配置，并支持组合多个数据集。
+
+训练 YAML 包含 `model`、`train_dataset` 等训练字段；数据集 YAML 以数据集名称为键，包含 `path`、`source`、`converter` 等字段。下文“组合多个数据集”展示数据集 YAML 的结构。
+
+`train_dataset` 接受以下形式：
+
+- 本地数据集 YAML，例如 `data/v1_sft_demo.yaml`
+- 本地数据文件或目录
+- Hugging Face Hub 数据集 ID
+- Hub 数据集仓库中的 YAML
+
+`eval_dataset` 字段已定义，评估流程尚未实现。完整字段见[数据参数](../configuration/data.md#dataarguments)。
+
+## SFT 数据格式
+
+```json
+{
+  "messages": [
+    {
+      "role": "user",
+      "content": [{"type": "text", "value": "介绍一下你自己。"}],
+      "loss_weight": 0.0
+    },
+    {
+      "role": "assistant",
+      "content": [{"type": "text", "value": "我是一个 AI 助手。"}],
+      "loss_weight": 1.0
+    }
+  ]
+}
+```
+
+`content` 是内容块列表；文本使用 `text`，多模态内容可以使用 `image_url`、`audio_url` 或 `video_url`。`loss_weight` 是该 assistant turn 的监督权重，并应用到该回复的每个监督 token。`0.0` 不参与损失计算，`1.0` 使用完整权重，也可以设置 `0.5` 等中间值调整不同回复的相对权重。
+
+多轮对话会按每个受监督的 assistant turn 展开为多条训练样本，每条样本只监督最后一个 assistant turn。
+
+多模态 SFT 示例位于 `data/v1_multimodal_demo.yaml`，对应训练配置为 `examples/v1/train_full/train_multimodal.yaml`。
+
+## DPO/RM 数据格式
+
+DPO 和 RM 使用 `chosen_messages` 与 `rejected_messages`：
+
+```json
+{
+  "chosen_messages": [
+    {"role": "user", "content": [{"type": "text", "value": "问题"}], "loss_weight": 0.0},
+    {"role": "assistant", "content": [{"type": "text", "value": "更优回答"}], "loss_weight": 1.0}
+  ],
+  "rejected_messages": [
+    {"role": "user", "content": [{"type": "text", "value": "问题"}], "loss_weight": 0.0},
+    {"role": "assistant", "content": [{"type": "text", "value": "较差回答"}], "loss_weight": 1.0}
+  ]
+}
+```
+
+## 组合多个数据集
+
+```yaml
+identity:
+  path: data/identity.json
+  source: local
+  converter: alpaca
+
+demo:
+  path: organization/dataset
+  source: hf_hub
+  split: train
+  size: 1000
+  weight: 0.5
+  streaming: false
+```
+
+同一个 YAML 中的 streaming 配置必须一致；当前训练路径不支持 streaming 数据集。多个条目会组成一个全局数据索引；`size` 与 `weight` 用于控制每个数据集的采样规模，计算顺序与有放回抽样的含义见[采样规模的计算](../configuration/data.md#采样规模的计算)。
+
+## 转换现有数据格式
+
+| 名称 | 原始数据 |
+|------|----------|
+| `alpaca` | `instruction`、`input`、`output` |
+| `sharegpt` | `conversations` |
+| `pair` | chosen/rejected 偏好对 |
+
+扩展 converter 的接口见[数据插件](../developer-guide/plugins/data_plugins.md)。