一句话定义
LIMA 假设（Less Is More for AI 词典：Alignment">Alignment，少即是多）认为：大模型的知识和能力几乎都在预训练阶段就学完了，后面对齐阶段做的事只是"教它怎么说话、按什么格式回答"，所以一小批高质量示范样本就够了，数量不是关键。
它到底在说什么
可以把训练大模型想成培养一个厨师。预训练相当于让他读遍天下菜谱、尝遍各地食材——刀工、火候、食材搭配这些硬功夫都在这个阶段练成。对齐阶段则是教他"上菜规矩"：客人问什么该怎么答、先说什么后说什么、摆盘走什么风格。你不需要再教他认识盐和糖，示范几十次摆盘，他就能把风格学到手；反过来，如果给他听一千小时嘈杂的厨房录音，只会让他更迷糊。
LIMA 这个说法的来由，是有人用大约一千条人工精挑细选的问答示范去微调一个基础模型，结果它在不少对话场景里的表现，接近那些动辄用几十万条数据、还叠加了人类反馈强化学习（RLHF）的模型。由此提出"浅层对齐假设"（Superficial Alignment Hypothesis）：对齐主要不是往模型里灌新知识，而是把它已有的某种输出风格"选"出来、稳定住。
和相邻概念的区别
| 预训练 | 对齐（监督微调 SFT） | |
|---|---|---|
| 目标 | 学知识、学语言规律 | 学格式、风格、指令跟随 |
| 数据规模 | 万亿 token 级别 | 千条到十万条级别 |
| 什么更重要 | 量依然重要 | 质量、多样性优先 |
它和"数据越多越好"的规模定律不冲突，因为说的不是同一个阶段。它也和 RLHF、DPO 不同：LIMA 讲的是监督微调这一步的数据配比，RLHF 是在微调之后再用"哪个回答更好"的偏好数据继续调。可以说，LIMA 是很多"数据筛选""数据蒸馏"做法的理论依据之一。
对从业者和普通人的意义
做模型的人：与其再爬一批噪声数据，不如把钱花在清洗和人工撰写示范上。经验上，示范的多样性比单条长度更重要，模板化、机器批量生成的回答最容易让模型学会一套空洞的套话。也要注意一个坑：判断"高质量"本身很难，评测又常常依赖模型打分，所以结论别当成铁律。
不做模型的人：这条思路可以直接用在日常。想让模型帮你写周报、做总结，与其丢进去三十份文档让它自己悟，不如亲手给三五个像样的示例（也就是少样本提示 Few-shot），把格式和语气示范清楚，效果通常立刻不同。
边界在哪
LIMA 是假设，不是定律。后续不少工作发现：任务越难、越依赖专业知识时，数据规模依然重要；而且"少"之所以够用，前提是基座模型本来就够强、知识储备已经到位。真要用在自己的场景里，建议小规模对比测试一下再下结论，具体结论以官方论文页面为准。