面向LLM空间态势感知领域适配的认知分层式数据合成

大语言模型（LLM）在通用任务上表现卓越，但将其迁移到空间态势感知（SSA）等复杂工程领域仍然充满挑战，原因在于与任务链的结构对齐不足、缺乏高阶认知监督，以及数据质量标准与工程规范之间对应不佳。核心瓶颈是高质量监督微调（SFT）数据集的构建。为此，我们提出BD-FDG（Bloom's Taxonomy-based Domain-specific Fine-tuning Data Generation），一个通过三种机制解决知识覆盖不完整、认知深度浅和质量可控性有限问题的框架：结构化知识组织、认知分层问题建模与自动化质量控制。该框架使用知识树确保语料的结构化覆盖；设计一个横跨九个类别、涵盖从Remember到Create六个认知层次的问题生成方案，以产出具有连续难度梯度的样本；并应用多维评分流水线来保证领域的严谨性与一致性。利用BD-FDG，我们构建了SSA-SFT——一个约230K样本的领域数据集，并微调Qwen3-8B得到SSA-LLM-8B。实验表明，SSA-LLM-8B在领域测试集上取得144%（no-think）与176%（think）的相对BLEU-1提升，在竞技场对比中相对基线取得82.21%的胜率，同时基本保留了通用基准（MMLU-Pro、MATH-500）上的性能。这些结果验证了认知分层驱动的SFT数据构建是复杂工程领域的有效范式，并为面向特定领域的LLM适配提供了可迁移框架。