Guides
Gültige JSONL-Fine-Tuning-Datensätze aus CSV & JSON erstellen
Erstellen Sie valide OpenAI-Chat-, Alpaca- und Gemini-Fine-Tuning-.jsonl-Dateien lokal aus Tabellen und JSON-Arrays mit Zeilenvalidierung.
Schnellantwort: Fine-Tuning-APIs erwarten zeilengetrenntes `JSONL` (`.jsonl`) mit einem eigenständigen JSON-Objekt pro Zeile, während Trainingsdaten meist als `.csv` vorliegen. Die lokale Konvertierung ordnet Spalten offline OpenAI-`messages` oder Alpaca-Schemata zu, ohne Datensätze hochzuladen.
Warum Fine-Tuning- & Batch-APIs JSONL statt JSON verlangen
Standard-JSON umschließt Datensätze mit einem äußeren `[ ... ]`-Array, sodass Parser erst die gesamte Datei puffern müssen. JSONL (Newline-Delimited JSON) schreibt pro Zeile genau ein kompaktes, eigenständiges JSON-Objekt.
Trainingspipelines bei OpenAI, Anthropic Batch API und Vertex AI streamen Millionen JSONL-Zeilen unabhängig voneinander und prüfen das Schema zeilenweise.
- Jede Zeile muss einzeiliges, minifiziertes JSON sein (keine mehrzeilige Formatierung).
- Leere Schlusszeilen oder nachgestellte Kommas lösen Upload-Fehler aus.
- Jedes Beispiel wird meist auf ein rollenbasiertes `messages`-Array abgebildet.
OpenAI-Chat- und Alpaca-Trainingsdaten direkt aus CSV erzeugen
Kuratierte Evaluations- und Trainingsbeispiele beginnen oft in Excel oder Google Sheets mit Spalten wie `system`, `prompt`/`user` und `completion`/`assistant`. Manuelle Konvertierung über Ad-hoc-Skripte bremst Iterationen.
CSV to JSONL bringt Vorlagen für rohe Objekte, OpenAI Chat (`messages[]`) und Alpaca (`instruction/input/output`) mit, sodass Tabellen direkt lokal in trainierbares JSONL exportieren.
{"messages":[{"role":"user","content":"Explain UTF-8 BOM"},{"role":"assistant","content":"A 3-byte EF BB BF header telling Excel to decode UTF-8."}]}Verschachtelte JSON-Arrays in validiertes JSONL entpacken
Liegt Ihr Export als verschachteltes API-Objekt wie `{ "data": { "samples": [...] } }` vor, übergeben Sie den Punktpfad `data.samples` in JSON to JSONL, um das Array auszupacken und jede Zeile zu prüfen.
Token-Kosten des Datensatzes lokal abschätzen
Proprietäre Trainingsbeispiele sollten nie in fremde Web-Tokenizer gelangen. Messen Sie die Token-Menge Ihres fertigen JSONL-Datensatzes offline vor dem Fine-Tuning-Start.
Referenzen
Häufig gestellte Fragen
Welche Spaltennamen erkennt die OpenAI-Chat-CSV-Vorlage?
Spalten namens system, user/prompt/question sowie assistant/completion/answer werden automatisch in das messages-Array abgebildet; im Raw-Modus bleiben alle Spalten direkt erhalten.
Kann ich eine bestehende JSONL-Logdatei wieder in ein JSON-Array umwandeln?
Ja. Stellen Sie die Richtung in JSON to JSONL auf JSONL -> JSON, um alle Zeilen in einem formatierten JSON-Array zu bündeln.
Warum scheiterte mein Fine-Tuning-Upload in Zeile 142?
Meist zerstört ein nicht maskiertes Anführungszeichen, eine Leerzeile oder ein NaN-Token die JSON-Syntax. Die Option Jede JSONL-Zeile validieren markiert die genaue Fehlerzeile sofort.
Verwandte Formate
Weitere Vergleiche
Verwandte Leitfäden
- TOON vs. JSON: LLM-Prompt-Tokenkosten um 30–60 % senkenErfahren Sie, wie TOON wiederholte JSON-Schlüssel in gleichförmigen Arrays vermeidet und Prompt-Kosten bei GPT-5, Claude 4 und Gemini 2.5 senkt.
- Große CSV-Dateien lokal zusammenführen & aufteilen ohne Excel-AbsturzFühren Sie CSV-Exporte nach Spaltennamen zusammen oder teilen Sie Riesentabellen in Chunks mit Kopfzeile und ZIP-Export — lokal im Browser.
- EPUB-E-Books in Markdown für Obsidian & KI-Studium umwandelnEntpacken Sie DRM-freie EPUB-E-Books lokal in Obsidian-Markdown-Notizen oder kapitelweise ZIPs — mit Überschriften, Links & sauberem Text.