尽管大语言模型展示出强大的能力，但在特定任务领域，它们往往无法达到最佳效果。通过微调，可以将特定领域的数据集输入模型中，使模型学习该领域的知识，从而优化自身在特定领域的 NLP 任务中的表现，如情感分析、实体识别、文本分类和对话生成等。本文章讲大语言模型的微调策略。

一. 大语言模型的微调策略

微调是让预训练的大语言模型适应特定领域任务的关键技术。根据不同的需求和资源用户可以选择全面微调或参数高效微调。下面详细介绍这两种策略：

1. 全面微调

全面微调是指对预训练模型的所有参数进行调整，通过合理的数据准备、训练、评估和策略调整，使模型在特定领域的数据集或任务上表现得更出色。全面微调适用于数据量大、计算资源充足的场景。自从 2018年10月 BERT 以 3.5 亿个参数成为当时最大的 Transformer 模型以来，大语言模型的参数量都在持续增长，如 BLOOM 具有 1760 亿个参数，参数量相比 BERT增加了约 500 倍。而同时期，HBM 的高成本，使得单个 GPU的 RAM 扩大到 80GB，增长了约 10倍。可见模型大小的增速远远超过计算资源的增速，超越了摩尔定律。这使得全面微调对于大部分模型来说不现实，也行不通。然而，参数高效微调可以在计算资源受限的情况下，有效地实现预训练模型的微调。这种微调方法不仅能有效提升模型效果，还能节省训练时间和资源，因而受到广大学者的喜爱和研究。下面我们重点介绍参数高效微调策略。

2. 参数高效微调

论文"Scaling Down to Scale Up：A Guide to Parameter-Efficient Fine-Tuning"根据2019年2月至 2023年2月期间发表的 40 多篇论文，对参数高效微调（Parameter-Efficient Five-Tuning，PEFT）方法进行了系统概述，提供了一个涵盖多种方法的分类法，把参数高效微调分为三大类：基于 Addition、基于Selection和基于Reparametrization。其中，在基于 Addition 的方法中，又分出2类：Adapter-like 和 Soft prompts。详细的分类图如下图所示。

此外，该论文特别关注不同方法在现实生活中的效率及其对数十亿参数规模的大语言模型的微调效果，并从存储效率、内存效率、计算效率、准确性和推理开销5个方面对不同方法做了比较。下面简单介绍一些经典的参数高效微调方法。

（1）前缀调优（Prefix Tuning）

由于模型对人工设计的模板比较敏感，当模板中的字词增加、减少或者位置发生变化时，模型的性能都会受到显著影响。为了解决这个问题，Prefix Tuning 提出了一种固定预训练模型的方法，通过为模型添加可训练的前缀（Prefix），来调节模型在特定任务上的表现。

Prefix Tuning的核心思想是在不改变原有模型参数的基础上，添加一些可训练的前缀参数。这些前缀参数在模型的输入部分进行拼接，通过训练来适应特定任务的需求。

（2）提示调优（Prompt Tuning）

Prompt Tuning 方法可以看作 Prefix Tuning 的简化版本，传统的方法通常需要人工设计提示词，比如“请帮我把下面一句话翻译成英文”。Prompt Tuning 希望通过反向传播算法自动学习和优化这些提示词，而不是人工设计。

在训练过程中，预训练模型的所有权重都被冻结（保持不变），只有提示词的参数会被更新。这样使得我们不需要重新训练整个模型，就可以提升模型在特定任务上的表现，从而节省大量计算资源和时间。

（3）P-Tuning

在 P-Tuning方法中，提示词可以表示为一组可训练的嵌入向量。具体来说，给定一个离散提示词作为输入，P-Tuning将连续提示词嵌入与离散提示词嵌入拼接起来，并将它们作为输入送到大语言模型中，再通过反向传播更新可训练的提示词，以优化任务目标。经过验证，通过优化提示词嵌入，模型能够适应特定任务的需求，而不需要微调所有模型参数。

（4）LoRA

（Low-Rank Adaptation）通过引入低秩矩阵来实现参数更新。该方法的核心思想是，将原始模型的部分权重矩阵分解为低秩矩阵，从而减少参数量，降低计算开销，同时保持模型的性能。这种方法在计算资源受限的情况下，能够显著提高预训练模型的微调效率，广泛应用于各种自然语言处理任务中。

除了上述方法，如 QLoRA、AdaLoRA、Adapter Tuning、 P-Tuning v2、MAM Adapter和 UniPELT 等，也是目前应用比较多的参数高效微调方法。

想入门 AI 大模型却找不到清晰方向？备考大厂 AI 岗还在四处搜集零散资料？别再浪费时间啦！2025 年 AI 大模型全套学习资料已整理完毕，从学习路线到面试真题，从工具教程到行业报告，一站式覆盖你的所有需求，现在全部免费分享！

👇👇扫码免费领取全部内容👇👇

​

一、学习必备：100+本大模型电子书+26 份行业报告 + 600+ 套技术PPT，帮你看透 AI 趋势

想了解大模型的行业动态、商业落地案例？大模型电子书？这份资料帮你站在 “行业高度” 学 AI：

1. 100+本大模型方向电子书

2. 26 份行业研究报告：覆盖多领域实践与趋势

报告包含阿里、DeepSeek 等权威机构发布的核心内容，涵盖：

• 职业趋势：《AI + 职业趋势报告》《中国 AI 人才粮仓模型解析》；
• 商业落地：《生成式 AI 商业落地白皮书》《AI Agent 应用落地技术白皮书》；
• 领域细分：《AGI 在金融领域的应用报告》《AI GC 实践案例集》；
• 行业监测：《2024 年中国大模型季度监测报告》《2025 年中国技术市场发展趋势》。

3. 600+套技术大会 PPT：听行业大咖讲实战

PPT 整理自 2024-2025 年热门技术大会，包含百度、腾讯、字节等企业的一线实践：

• 安全方向：《端侧大模型的安全建设》《大模型驱动安全升级（腾讯代码安全实践）》；
• 产品与创新：《大模型产品如何创新与创收》《AI 时代的新范式：构建 AI 产品》；
• 多模态与 Agent：《Step-Video 开源模型（视频生成进展）》《Agentic RAG 的现在与未来》；
• 工程落地：《从原型到生产：AgentOps 加速字节 AI 应用落地》《智能代码助手 CodeFuse 的架构设计》。

二、求职必看：大厂 AI 岗面试 “弹药库”，300 + 真题 + 107 道面经直接抱走

想冲字节、腾讯、阿里、蔚来等大厂 AI 岗？这份面试资料帮你提前 “押题”，拒绝临场慌！

1. 107 道大厂面经：覆盖 Prompt、RAG、大模型应用工程师等热门岗位

面经整理自 2021-2025 年真实面试场景，包含 TPlink、字节、腾讯、蔚来、虾皮、中兴、科大讯飞、京东等企业的高频考题，每道题都附带思路解析：

2. 102 道 AI 大模型真题：直击大模型核心考点

针对大模型专属考题，从概念到实践全面覆盖，帮你理清底层逻辑：

3. 97 道 LLMs 真题：聚焦大型语言模型高频问题

专门拆解 LLMs 的核心痛点与解决方案，比如让很多人头疼的 “复读机问题”：

三、路线必明： AI 大模型学习路线图，1 张图理清核心内容

刚接触 AI 大模型，不知道该从哪学起？这份「AI大模型 学习路线图」直接帮你划重点，不用再盲目摸索！

路线图涵盖 5 大核心板块，从基础到进阶层层递进：一步步带你从入门到进阶，从理论到实战。

L1阶段:启航篇丨极速破界AI新时代

L1阶段：了解大模型的基础知识，以及大模型在各个行业的应用和分析，学习理解大模型的核心原理、关键技术以及大模型应用场景。

L2阶段：攻坚篇丨RAG开发实战工坊

L2阶段：AI大模型RAG应用开发工程，主要学习RAG检索增强生成：包括Naive RAG、Advanced-RAG以及RAG性能评估，还有GraphRAG在内的多个RAG热门项目的分析。

L3阶段：跃迁篇丨Agent智能体架构设计

L3阶段：大模型Agent应用架构进阶实现，主要学习LangChain、 LIamaIndex框架，也会学习到AutoGPT、 MetaGPT等多Agent系统，打造Agent智能体。

L4阶段：精进篇丨模型微调与私有化部署

L4阶段：大模型的微调和私有化部署，更加深入的探讨Transformer架构，学习大模型的微调技术，利用DeepSpeed、Lamam Factory等工具快速进行模型微调，并通过Ollama、vLLM等推理部署框架，实现模型的快速部署。

L5阶段：专题集丨特训篇 【录播课】

四、资料领取：全套内容免费抱走，学 AI 不用再找第二份

不管你是 0 基础想入门 AI 大模型，还是有基础想冲刺大厂、了解行业趋势，这份资料都能满足你！
现在只需按照提示操作，就能免费领取：

👇👇扫码免费领取全部内容👇👇

​

2025 年想抓住 AI 大模型的风口？别犹豫，这份免费资料就是你的 “起跑线”！