微调 fine-tuning 是啥：给通用大模型补一堂专业课
通用模型像个「啥都略懂」的实习生
现在的大模型，你跟它聊天文地理都接得住，但一聊你公司的具体业务，它就露怯了——术语不对、口径不对、说话不像自己人。说白了，它是个见多识广的实习生，广但浅。你想让它变成「咱这行的老手」，从头训练贵到离谱，没必要。
微调（fine-tuning）干的就是「开小灶」：拿一个现成的大模型，用你自家的数据再喂它练一轮，让它把你们行业的说话方式、专业知识、判断习惯长进脑子里。等于给通才补一堂专业课，毕业就能上手干活，比从婴儿教起省太多。
它跟「提示词」不是一回事
有人问，我每次在对话里交代背景不也一样？不一样。提示词是「每次见面重新自我介绍」，微调是「把自我介绍焊进记忆」。你用提示词，换次对话又得重说；微调过，它 permanently 带了这层认知，以后张口就是自己人味儿，还省下大段提示词额度。
但也别神话微调。它适合「风格和知识要稳定固化」的场景，比如客服总得按你们话术来、法律文书总得按你们模板走。如果只是偶尔换个任务，提示词加检索（RAG）更灵活。工具没有好坏，看你要的是「一次性定型」还是「随时变脸」。
常见两种玩法
一种是「全量微调」，把模型大部分参数都动一遍，效果最透但最烧资源，小团队一般玩不起。另一种是「参数高效微调」（比如 LoRA 这类），只动一小撮参数，开销小得多，效果还挺能打。现在大家嘴里的微调，多半指后者——花小钱办大事的典型。
对咱们来说，记住结论就行：想低成本让模型「像自己人」，优先看参数高效微调。它不用你买一屋子显卡，普通机器也能跑通 demo，先把路子走顺，再谈加料，别一上来就追求全量，那是大厂烧钱的事儿。
喂啥数据，决定它变成啥样
微调最怕「垃圾进」。你喂一堆错别字连篇、口径混乱的聊天记录，它学完比之前还野。所以动手前先花功夫整理样本：要它学话术，就准备一问一答都标准的对；要它学判断，就给足带标注的例子。数据质量，直接决定补完这堂课是加分还是减分。
还有个坑叫「学偏了」：微调太狠，模型可能为了讨好你的数据，把原本的通用能力搞退化，问它别的它也开始用你行话胡答。所以一般留一手「别忘本」的约束，别让它补了专业课、丢了基本功，那叫捡了芝麻。
啥时候该上微调
三个信号给你参考：一是你每次都得塞大段背景，烦了；二是通用模型老在你这行说外行话，客户能听出来；三是你有成体系、质量过关的私有数据，闲着也是闲着。三条占两条，就可以认真考虑微调了。
反过来，数据少、任务杂、经常变需求，那就先别微调，用提示词加 RAG 顶着。微调是「定型投资」，得你需求稳了才划算，需求天天变还去微调，等于月月重读一遍专业课，累死不讨好。
一个接地气的比方
通用大模型是大学毕业的通才，微调是送它去你公司实习一轮，把你们那套活法刻进肌肉记忆。它没变成另一个人，只是更懂你这门生意。比起从小学重读（从头训练），这明显是条近路。
所以别一听「训练 AI」就头大，以为得建机房。给通用模型补一堂你的专业课，门槛没那么高。先把数据理顺，再挑个轻量微调方案试水，往往比换更贵的大模型来得实在。
