Fine-tuning（微调）

一句话理解

给通用模型报个岗位培训班——用你自己的问答数据再练一练，让它更懂你这一行的说话方式和输出格式。

定义

Fine-tuning（微调）指在已经训练好的基座模型上，用特定领域的数据继续训练，小幅调整模型参数，让它在特定任务、风格或格式上表现更好。它是“继续训练”，不是从零开始造模型。

你会在哪遇到它

法律、医疗行业定制专属模型；让模型稳定输出某种固定格式；企业拿自己的客服记录训练出“特别懂业务”的客服模型。你在产品里通常感知不到微调的存在，但它决定了很多垂直领域 AI 为什么“开口就很懂行”。

背后的原理

准备几百到几十万条“输入—理想输出”的样本，在基座模型上做小步训练。现在常用 LoRA 等低成本方法，只调整一小部分参数，让模型学会稳定复现样本里的模式：基础能力保留，专业表现增强，成本远低于重新训练一个模型。

和相近概念的区别

1 微调不等于预训练：预训练是读遍互联网从零打底，微调是毕业后的岗位进修。 2 微调不等于 RAG：微调改的是能力和风格，RAG 补的是资料和事实——教格式用微调，补新知识用 RAG。 3 微调不等于提示词工程：写提示词零成本、即时生效，微调要数据要算力，但输出更稳定。

常见误区

1 以为微调能塞新知识——效果差且容易过时，知识型需求应该用 RAG。 2 以为数据越多越好——脏数据会把模型带偏，几百条高质量样本常常胜过几万条杂乱的。 3 以为人人都要微调——大多数需求把提示词写好就够了，微调是成本更高的进阶选项。