微调

用特定领域的数据继续训练已有模型，让它固定掌握某种格式、口吻与任务模式，输出更稳定。

当同一种任务要被反复执行成千上万次时，微调能替代大部分冗长提示词，让调用成本和出错率同时下降。

像给一位通才做岗前培训：不改动他的世界观和见识，只教他这家公司的表格规范、话术口径与交付标准。

客服系统要接住上千种相似问法，用历史线上对话做微调后，答案风格与转人工的判断条件比单纯塞十条示例稳定得多；个人则在 Hugging Face 上用 LoRA 微调开源小模型。

• 误解：微调能给模型灌入新知识。 事实：它更擅长改变行为和格式；确实需要更新事实时，用检索增强生成更合适。

• 误解：数据量越大效果越好。 事实：质量与一致性更关键，几千条干净样本往往胜过几十万条噪声数据。

• 误解：不微调就写不出好提示词。 事实：提示词能解决大部分问题，微调更适合稳定、高频、批处理式的任务。

• 误解：微调完模型就变聪明了。 事实：它不会突破底座的能力上限，写代码、查资料这类事仍要靠好模型加好工具。

• 大模型用海量文本训练出的巨型神经网络，靠「看着上文预测下一个词」生成连贯自然的文字。
• 对齐让模型行为符合人类意图与使用规范的一整套训练和约束手段，覆盖有用、诚实、无害三个方向。
• 开源与闭源闭源指权重不公开、只能走官方服务；开源指权重可下载，可本地部署或微调，按许可证约定使用。
• 多模态模型同时接收文字、图片、音频等不同形式的信息，并用同一套系统理解和产出这些内容的能力形态。