什么是微调：让通用模型变成领域专家

微调（Fine-tuning）是在预训练模型基础上，用领域数据继续训练，让模型适应特定任务或行业风格。它比从零训练便宜几个数量级，是企业落地大模型的主流方案。

微调最常见的误区是把它当万能药。实际上很多需求用 RAG 就能解决，微调更适合需要稳定风格、专属术语、特定推理模式的场景。动手之前先问自己：这是知识问题还是能力问题？知识问题用外挂，能力问题才用微调。

## 核心要点

图片来源：Openverse / yumikrum（https://www.flickr.com/photos/94725359@N06/25786535587）

1. 微调解决的是“领域知识 + 表达风格”，不是给模型加记忆。

2. 数据需求因方法而异：全参微调需万级样本，LoRA 可能千级足够。

3. 微调不当会让模型“学偏”，在通用任务上能力退化。

4. 先试提示词工程和 RAG，解决不了再考虑微调，是常见决策顺序。

图片来源：Openverse / Genista（https://www.flickr.com/photos/50457550@N00/3432987963）

## 写在最后

以上是关于「什么是微调」的科普介绍。人工智能正在快速发展，相关概念和方法也在不断演进。希望本文能帮你建立对这一主题的基本认识。