微调到底是什么

微调的英文是 Fine-tuning，字面意思就是「fine tune（精细调节）」。

大模型训练分两个阶段。

第一个阶段叫预训练。给AI喂几百GB的文本，让它学会语言规律、世界知识。这个阶段极贵，几千万到几个亿美金，只有大厂玩得起。训练完之后，得到一个「通用大模型」——什么都知道一点，什么都能聊，但都不够深。

第二个阶段叫微调。在预训练模型的基础上，用特定领域的数据再训练一轮，让它擅长某个具体任务。

打个比方，公司招了一个清华毕业的通用人才（对应大模型），什么都知道一点，什么都能聊。

但现在需要他做客服，得知道产品细节、话术风格、禁忌词汇。

怎么办？两个方案。

方案A：提示词（Prompt）——每天早上给他一张纸条，写清楚今天怎么做事。当天表现不错，但明天呢？再写一张纸条。

方案B：微调（Fine-tuning）——花一周时间给他做入职培训，找几百个真实客服对话案例，手把手教公司风格。培训完，他脑子里已经记住了，不用每天提醒。

这就是微调的本质——把特定领域的知识「刻」进模型里，而不是每次都靠提示词临时告诉它。

---

微调改了什么

预训练完的大模型，内部有几亿到几千亿个参数（可以简单理解成「大脑里的连接强度」）。

微调的过程，就是在这些已有参数的基础上，做小幅调整，让模型在某个方向上的表现更好。

注意，是「小幅调整」，不是重新训练。如果预训练是盖一栋楼，微调就是在里面做精装修，不是推倒重来。

这也是为什么叫「微调」——调的是细节，不是地基。

---

微调、RAG、提示词，到底什么区别

这三个词经常被放在一起说，很多人搞混。

用一句话区分：

• 提示词：临时告诉AI怎么做事（开卷考试，可以看纸条）
• RAG：给AI外挂一个知识库，让它现查资料再回答（开卷考试，可以查书）
• 微调：把知识「刻」进AI的大脑里，不用查（闭卷考试，知识已经记住了）

之前写过一篇讲RAG的文章，简单说：大部分时候，RAG比微调更实用。

---

普通人需要微调吗

基本不需要。

原因很实在：

第一，数据门槛。 微调需要几百到几千条高质量样本，要有结构化的「输入→输出」案例——客服对话、专业问答、代码补全这种。普通人没有这些数据。

第二，技术门槛。 需要GPU、需要懂训练参数（学习率、批次大小、epoch次数），不是点个按钮就行。有些平台号称「一键微调」，但效果参差不齐，调不好反而把模型搞退化了。

第三，成本门槛。 即使是小模型微调，也需要不少算力。自己搭环境是一笔钱，用云算力是一笔钱，训练完部署又是一笔钱。

第四，效果不一定好。 对大部分人来说，把需求写清楚（提示词）比微调更划算。「AI效果不好」很多时候不是因为没微调，是因为提示词没写对。

那什么人需要微调？

• 企业做专属AI客服：有几千条真实对话数据，需要统一话术风格
• 研究机构做垂直领域模型：医疗AI、法律AI这类需要特定专业能力的
• 有特定任务且数据量大：代码补全、文档摘要，每天几万次调用，值得专门优化

普通人？老老实实用提示词 + RAG，够用了。

---

什么情况才值得微调

这里不展开技术细节，给一个判断标准。

先问三个问题：

1. 提示词 + RAG 能不能解决？（如果能，别微调）
2. 有没有几百条以上高质量的专业数据？（如果没有，别微调）
3. 这个场景是不是每天高频使用、对一致性要求极高？（如果不是，别微调）

三个问题有一个「不是」，就不建议微调。

现在也有一些低代码/无代码的微调平台（OpenAI 的 Fine-tuning API、国内的讯飞/百度都有类似服务），有场景的话可以从这些平台入手，不用自己搭环境。

但说实话，看完这篇文章有个概念就行了——知道微调是什么，知道普通人用不上，这就够了。

---

这篇文章是「AI原理科普」合集的第三篇。前两篇讲了「大模型LLM是什么」和「什么是Token」，下一篇打算讲「RAG和知识库」，把这套名词大白话系列补完。

关注小虾，一起成长，一起进化 🦐