微调的常见方法有哪些？
微调是指使用额外训练将预训练语言模型（大语言模型）适应特定任务或数据集的过程。常见方法包括全量微调和参数高效微调（PEFT）技术。
全量微调在目标任务数据上更新模型的所有参数，但需要大量计算资源。PEFT方法提供了高效替代方案：LoRA在原始权重旁边引入低秩矩阵，适配器（Adapter）在现有层之间插入小型可训练层，提示微调（Prompt Tuning）在冻结核心模型的同时只学习特定任务的软提示嵌入。关键考量是在性能提升与训练成本、数据可用性和硬件限制之间取得平衡。
这些方法支持在金融（报告）、医疗（病历）或客户支持（智能客服）等领域定制模型以增强性能。这提升了准确率，减少了提示工程工作量，并有助于部署更小、针对任务优化的模型，加速大语言模型在专业应用中的普及。
相关问题
模型微调和重新训练之间差别大吗？
微调是使用相对较小的数据集将预训练模型适配到特定任务，而重新训练则是从头开始使用大量（通常是特定任务）数据构建新的模型架构。两种方法都能实现模型更新，但在方法和资源需求上有显著差异。 微调修改已建立模型（如 BERT 或 GPT）的权重，这些模型已在大量通用数据上训练。与重新训练相比，它所需的数据...
零样本学习和小样本学习有什么区别？
零样本学习（ZSL）使模型能够识别或分类在训练期间没有可用标记训练样本的对象。相比之下，小样本学习（FSL）利用极少量（如 1-5 个）每个新类别的标记样本来适配模型。 零样本学习主要通过利用预先存在的语义知识或辅助信息（如类别属性、文本描述或嵌入）来将学习到的概念迁移到未见过的类别。小样本学习专...
小样本学习的应用场景有哪些？
小样本学习使模型仅凭少量标记样本就能有效学习新概念或执行任务。其核心能力是从最少数据中高效获取知识。 这种方法在收集大量数据集不切实际或不可能的情况下极为有价值。关键应用场景包括：在医学影像中识别罕见疾病、在计算机视觉中识别新颖对象或场景、在语音识别中适应特定语音命令或口音、以及以最少的显式用户反...
BLEU 指标和 ROUGE 有什么区别？
BLEU 和 ROUGE 都是评估 NLP 模型生成文本质量的自动化指标，但它们衡量的方面不同。BLEU 主要评估精确率（匹配的正确性），而 ROUGE 则强调召回率（内容捕获的全面性）。 BLEU 计算候选文本与参考文本之间的 n-gram 精确率，并对过短的输出进行惩罚。它对精确的词汇匹配高度...