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。