模型微调之基础篇：模型微调概念以及微调框架

正式开始分享微调相关的内容。我的想法是先快速过一下概念。然后快速上手实践。专有名词实在太多，需要各位认真阅读。

首先过一下本章的内容大纲。

• 前言

• 什么是模型微调？

• 模型微调的方式

• 大模型微调框架简介

• 专有名词

前言 

之前我们一直强调，大语言模型（LLM）是概率生成系统。

能力边界

• 知识时效性：模型知识截止于训练数据时间点

• 推理局限性：本质是概率预测而非逻辑运算，复杂数学推理易出错（deepseek的架构有所不同）

• 专业领域盲区：缺乏垂直领域知识

• 幻觉现象：可能生成看似合理但实际错误的内容

之前一直讲解如何通过各种不同的知识库进行知识片段的检索，并通过提示词临时注入到大模型。从今天开始，我会写一写微调相关的文章。

什么是模型微调？ 

• 定义：在预训练大模型（如GPT、BERT）的基础上，使用特定领域或任务的数据进行额外训练，使模型适应新任务。

• 类比：类似“博士生在通识教育（预训练）后，专攻某个研究方向（微调）”。

微调适用场景

提升特定领域的专业性

场景特点：

高度专业化知识（如医学、法律、金融、科技等） ，通用大模型缺乏特定领域的知识和逻辑。

示例：

• 医疗报告生成（需准确使用医学术语和遵循临床病例格式）

• 法律合同审核（需识别合同条款的合规性和潜在风险）

• 财务报告解析：从PDF年报中提取营收、毛利率等结构化数据

• 科研论文评审：识别论文方法论部分的实验设计缺陷

让模型更符合企业需求

场景特点：

企业需要 AI 具备特定业务逻辑。

示例：

• 代码生成：蚂蚁的zone，美团的set，普通的模型能解决代码实现的问题，但是解决不了他们的zone和set的逻辑。比如阿里的代码员工，就是微调出来的。

• 业务流程：每个公司的业务流程不一样，每个节点的规则也不一样，如果我把项目流程微调到大模型

• 企业助手：比如各种手册的微调，然后就是一个企业的产品专家。

让模型更符合用户偏好

场景特点：

个性化

示例：

• 个性化的聊天：每个互联网产品都有自己的风格和用户特性（提示词能解决一部分）

• 内容创作助手：把小说的大纲，以及涉及的知识点微调进去，视频风格微调进去。

• 游戏NPC：游戏的设定等微调进去，NPC更具备灵活性。

让模型执行特定任务

场景特点：

标准化任务。

示例：

• 代码生成模型：用大量 Java、Python 代码训练 AI，让它更擅长某种编程语言。

• 表格理解: 微调模型解析扫描文档中的复杂表格结构，提取关键字段

数据安全 & 隐私问题

场景特点：

数据敏感。

示例：

• 银行数据：通过本地微调银行敏感数据，微调出具备风险能力的模型，让模型在不暴露的前提下具备风险识别能力。

• 医疗机构： 通过本地微调病人病例和诊断证明，专业数据，让模型具备辅助诊断能力。

资源受限场景

场景特点：

离线设备、专业设备、低显存。

示例：

• 设备故障诊断手册查询：微调轻量级模型快速解析设备编码与维修手册条目的对应关系

• 地下或海底：救护知识手段，生存技能

何时选择微调 vs. 其他方案？

场景	推荐方案	原因
数据充足且领域差异大	全参数微调	最大化模型能力，适应性强
数据少但需快速适配	LoRA/P-Tuning	节省资源，避免过拟合
实时性要求高	RAG（检索增强生成）	动态注入最新知识，无需重新训练
输出需严格可控	提示工程+少量微调	通过模板约束输出，微调提升指令跟随能力
无标注数据	零样本/少样本提示	直接利用预训练知识，成本最低

模型微调的方式 

1. 按训练目标分类

有监督微调（Supervised Fine-Tuning, SFT）

有监督微调是最常见的微调方式，适用于任务明确且具有标注数据的情况。通过使用人工标注的高质量数据对，模型能够学习特定任务所需的知识，从而在指定任务上提供准确的输出。

• 适用场景：数据充足且任务目标明确的情况，如文本分类、情感分析、命名实体识别等。

数据示例：

[
  {
    "instruction": "作为法律顾问，请回答以下问题：",  // 可选指令模板
    "input": "如果我在公司被解雇，我有权获得多少赔偿？",
    "output": "根据《劳动合同法》第47条..."
  },
  {
    "input": "签订购房合同后，开发商违约怎么办？",
    "output": "您可以依据《合同法》要求..."
  }
]

指令微调（Instruction Tuning）

指令微调旨在增强模型理解并执行不同指令的能力。通过指令-输出对的训练，使模型能够更好地遵循人类指令，提高其在多个任务上的泛化能力。

• 适用场景：需要提升模型的泛化性和指令理解能力，如聊天机器人、自动化任务、智能问答等。

数据示例：

[
  {
    "instruction": "用简单的语言解释量子力学。",
    "input": "",//可省略
    "output": "量子力学是研究微小粒子行为的科学..."
  },
  {
    "instruction": "将以下句子翻译成法语。",
    "input": "你好，今天天气不错。",
    "output": "Bonjour, il fait beau aujourd'hui."
  }
]

对齐方法（RLHF/DPO）

通过人类反馈（如 Reinforcement Learning from Human Feedback, RLHF）或直接偏好优化（Direct Preference Optimization, DPO），调整模型的输出，使其更符合人类价值观，提高安全性和一致性。

• 适用场景：需要控制模型输出的安全性或风格一致性，如客服机器人、儿童内容生成、内容审核等。

RLHF数据示例：

[
  {
    "prompt": "请写一篇关于气候变化的文章。",
    "chosen": "气候变化是人类面临的最紧迫问题之一。科学研究表明...",
    "rejected": "气候变化是媒体夸大的骗局，无需在意。",
    "score": {"chosen": 5, "rejected": 1},  // 可选：标注人工评分
    "reject_reason": "否定科学共识"          // 可选：标注拒绝原因
  }
]

rejected 回答应明确包含安全性或价值观问题（如危险步骤、歧视性内容），而非仅是质量差异

DPO数据示例：

[
  {
    "prompt": "如何回应‘女性不适合学理科’的观点？",
    "chosen": "性别不应限制个人发展，许多女性科学家取得了卓越成就。",
    "rejected": "女性的逻辑思维确实比男性差，这是客观事实。"
  }
]

多任务学习

通过同时优化多个相关任务，提升模型的泛化能力，使其能够高效处理多种任务。通过损失函数动态调整不同任务的训练权重。

• 适用场景：任务之间存在关联性，适用于智能助理、语音识别、情感分析等任务。

数据示例：

[
  {
    "task": "情感分析",
    "input": "这款手机的电池寿命太短了，太失望了。",
    "output": "负面",
  },
  {
    "task": "文本摘要",
    "input": "近日，某科技公司发布了一款新产品...",
    "output": "某科技公司发布新品"
  }
]

2. 按参数更新策略分类

全参数微调（Full Fine-Tuning）

所有模型参数都参与训练，通常需要大量计算资源，适用于数据充足、计算资源充足的情况。

• 技术代表：常规SFT、RLHF（如ChatGPT的训练方式）。

数据示例：

{
  "model": "GPT-3",
  "trainable_parameters": "100%",
  "dataset": "500K法律文本对",
  "fine_tuning_method": "全参数微调"
}

部分冻结微调（Partial Fine-Tuning）

仅训练模型的部分层，如冻结底层参数，仅更新高层参数，降低计算开销。

• 技术代表：如BERT冻结前8层，仅训练后4层。

数据示例：

{
  "model": "BERT",
  "trainable_layers": "最后4层",
  "frozen_layers": "前8层",
  "fine_tuning_method": "部分冻结微调"
}

参数高效微调（PEFT）

仅更新少量的参数，通常通过结构化方法（如LoRA、Adapter）减少计算需求，并在低资源环境下实现高效微调。

• 技术代表：LoRA（低秩适配）、Adapter（插入小网络）。

LoRA的特点：

• 只调整部分参数（如低秩矩阵分解）。

• 降低计算和内存开销。

• 适合快速微调，尤其在资源受限时。

adapter的特点：

• 插入额外的 Adapter 层

• 降低计算和内存开销。（仅训练 Adapter 层和可独立存储 Adapter 层）

• 多任务学习、迁移学习。

最后比较下：

• Adapter  插入额外的小型可训练模块，适用于多任务和迁移学习。

• LoRA  通过低秩矩阵分解，调整少量关键参数，适用于快速微调。

• 如果需要在 多个任务间切换，Adapter 更合适；如果只是对单个任务高效微调，LoRA 更优。

大模型微调框架简介 

在大模型微调领域，存在多种框架，每个框架都有其独特的优势和局限性。下面介绍几种常见的微调框架，包括示例代码和适用模型，帮助你根据任务需求选择最合适的框架。

1. Hugging Face Transformers

简介：
Hugging Face Transformers 业界标准NLP框架，提供200+预训练模型和全流程工具链，覆盖文本、图像、音频多模态任务。

核心优势：

• 全模态任务覆盖

• 预训练模型生态(社区模型库含30万+微调模型,并且覆盖覆盖 BERT、GPT、LLaMA、Whisper、ViT 等主流架构)

• 跨框架无缝衔接

• 开箱即用工具链

• 企业级部署支持

• 开发社区极为活跃

尽管 Hugging Face Transformers 在许多常见任务中表现优秀，但在超大规模模型的微调和训练中，可能会面临性能瓶颈和资源消耗过大的问题。

2. DeepSpeed

简介：
DeepSpeed是微软开发的分布式训练引擎，通过ZeRO优化实现百亿级模型全参数微调。

核心技术：

• ZeRO 显著减少内存占用，提高分布式训练的效率

• CPU Offloading 混合精度训练，加速训练过程并减少显存需求

• 自适应梯度累积

DeepSpeed适合大规模模型的训练，但使用门槛较高，需要深入理解框架的底层实现。

看了下官网，不是我能玩的。

3. LLaMA-Factory（本文使用的框架）

简介：
国产低代码微调框架，

看下官方的介绍。   

4，Megatron-LM

简介：
NVIDIA千亿级模型训练框架，采用3D混合并行策略：
张量并行 + 流水并行 + 数据并行

性能指标：

• 175B模型训练：3072 A100（80G）

• 吞吐量：502 petaFLOPs

适用场景：
GPT-4级别模型预训练/微调。

据说坑不少，有不少人推荐。torchtitan。

如何选择微调框架？

不管是感官上，还是大模型得推荐上，对于我来说选择LLaMA-Factory是最好的选择。后续我基于这个做微调实现。

专有名词 

过拟合（Overfitting）

是指模型在训练数据上表现得非常好，但在新数据或测试数据上的表现较差的现象。换句话说，模型过度学习了训练数据中的细节和噪声，以至于无法很好地泛化到未见过的数据。