如何将大模型应用到自己的业务中？7种大模型应用方式和代表论文总结

如何将大模型应用落地到自己的业务或工作中？这篇文章整理了7种目前业内最常用的大模型应用方法，以及各个方法的代表论文。通过对各种应用大模型方法的特点对比，找到最适合自己场景的应用方法。

前排提示，文末有大模型AGI-CSDN独家资料包哦！

1

Pretrain-Finetune

直接针对下游任务进行全量参数或者部分参数的finetune，在BERT时期是主要的大模型应用方式。其局限性是成本较高，灵活性较差，需要针对每个任务单独finetune和保存一组模型，可复用性较低。

2

Prompt

Prompt是GPT以来的一种大模型应用方式，基于生成式语言模型（Transformer Decoder），将下游任务通过prompt的形式转换成完形填空任务，让模型预测缺失部分的文本，再将文本映射回对应任务的label。Prompt方式完全不进行大模型finetune，只利用大模型内部的知识，让下游任务反向适配预训练任务。其缺陷在于效果非常依赖于人工定义的prompt。

3

Prompt-tuning

Prompt-tuning不人工设定prompt，而是将其转换为可学习的向量。例如原来的prompt为The capital of Y is …，这里Y是上下文，其他部分是prompt模板，那么prompt-tuning将这些明文的prompt token全部替换成可学习的向量，基于训练数据对模型进行finetune，只finetune这些prompt embedding，模型主体参数固定不变。。这种方式不再依赖人工定义prompt明文模板，交给模型自己去学，同时需要finetune的参数量也比较小。

代表论文：P-Tuning v2: Prompt Tuning Can Be Comparable to Fine-tuning Universally Across Scales and Tasks（2021）、GPT Understands, Too（2021）

4

Prefix-tuning

与prompt-tuning的思路非常类似，prefix-tuning在输入文本前面加入一些任务特定的可学习参数，这些参数跟随下游任务做finetune，预训练模型整体参数固定不变。Prefix-tuning和prompt-tuning是同一时期的两类工作，二者核心思路是相同的，都是用一小部分参数的finetune（prefix对应的前缀向量，或prompt对应的模板向量）让大模型适配下游任务，二者区别不大。

代表论文：Prefix-Tuning: Optimizing Continuous Prompts for Generation（2021）

5

Adapter-tuning

在大模型的中间部分加一个参数量较小的网络结构（即adapter），大模型整体参数freeze不变，只更新adapter部分的参数。Adapter一般采用bottleneck的结构，缩小参数量。本质上也是一种通过少量参数的更新影响大模型整体参数的finetune方式。

代表论文：Parameter-Efficient Transfer Learning for NLP（ICML 2019）

6

Instruction-tuning

Instruction-tuning将所有下游的各类NLP任务都转换为自然语言，在大模型的基础上finetune全部参数，finetune的目标就是语言模型，通过这种方式让预训练大模型适应人类的指令（即人类描述各类NLP任务，并要求模型给出答案的语言范式），进而有效解决各类NLP任务，具备强大的zero-shot learning能力。

7

Knowledge Distillition

从大模型中获取数据，用获取到的数据训练尺寸更小的模型，过程中结合思维链等技术，让模型生成更有价值更准确的训练数据。这种方式也是成本最低，但是可能很有效果的方法。最简单的就是直接调用ChatGPT或者GPT4的接口获取想要的数据，核心是如何设计prompt让黑盒大模型输出我们想要的结果。

代表论文：Distilling Step-by-Step! Outperforming Larger Language Models with Less Training Data and Smaller Model Sizes

读者福利：如果大家对大模型感兴趣，这套大模型学习资料一定对你有用

对于0基础小白入门：

如果你是零基础小白，想快速入门大模型是可以考虑的。

一方面是学习时间相对较短，学习内容更全面更集中。
二方面是可以根据这些资料规划好学习计划和方向。

包括：大模型学习线路汇总、学习阶段，大模型实战案例，大模型学习视频，人工智能、机器学习、大模型书籍PDF。带你从零基础系统性的学好大模型！

😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓

👉AI大模型学习路线汇总👈

大模型学习路线图，整体分为7个大的阶段：（全套教程文末领取哈）

第一阶段： 从大模型系统设计入手，讲解大模型的主要方法；

第二阶段： 在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用；

第三阶段： 大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统；

第四阶段： 大模型知识库应用开发以LangChain框架为例，构建物流行业咨询智能问答系统；

第五阶段： 大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型；

第六阶段： 以SD多模态大模型为主，搭建了文生图小程序案例；

第七阶段： 以大模型平台应用与开发为主，通过星火大模型，文心大模型等成熟大模型构建大模型行业应用。

👉大模型实战案例👈

光学理论是没用的，要学会跟着一起做，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。

👉大模型视频和PDF合集👈

观看零基础学习书籍和视频，看书籍和视频学习是最快捷也是最有效果的方式，跟着视频中老师的思路，从基础到深入，还是很容易入门的。

👉学会后的收获：👈

• 基于大模型全栈工程实现（前端、后端、产品经理、设计、数据分析等），通过这门课可获得不同能力；

• 能够利用大模型解决相关实际项目需求： 大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性。因此，掌握大模型应用开发技能，可以让程序员更好地应对实际项目需求；

• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能， 学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；

• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力： 大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握可以提高程序员的编码能力和分析能力，让程序员更加熟练地编写高质量的代码。

👉获取方式：

😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓