你的大模型真的需要微调吗？

通过构建知识库，上半年很多企业落地了基于大模型的垂类应用，随之而来的也是越来越多的优化需求，除了RAG本身，我们是否也需要考虑下其他技术手段？

上半年我是一个RAG或Agent的拥簇者，我坚信只要足够参数规模的强力大模型，加上知识库或者智能体plan及工具调用即可完成大部分应用场景。事实证明确实可以完成，但是能完美地完成吗？如果仅仅考虑及格落地，那是可以，但如果考虑优秀落地，那还是差点意思。为什么呢？

我们举一个【作文智能批改助手】的例子来说，作文批改要求老师从不同方面评定给分，最后汇总，并生成点评和指导意见。有人说那这个可以通过prompt限制。确实是。Prompt的限制是一定要加的，但是仅仅prompt是不够的，大模型回答的时候依然会有部分随机性。这点跟few shot原理是一致的，在prompt中给出的示例，可以让大模型模仿，但是模型并没有真正让大模型成为专业口吻的专业人士，它只是鹦鹉学舌，一旦超出few shot的范畴，回答很有可能”一朝回到解放前“。另一方面，从性能上讲，过多的约束和提示词示例，会大量消耗上下文长度，影响大模型的判断和推理时间（当然推理优化可以通过工程手段如System Prompt Caching，但又增加了复杂度）。

在实战的场景中，我们也确实遇到了诸多相似的困难。比如给客户落地【法律合规助手】的应用时，我们采用了qwen-max这样强大的千亿规模基础模型，加上客户给的70M纯文本专业领域知识，很快构建了一个以知识库为基础的大模型应用。客户在poc阶段时惊叹于落地速度之快、文档召回效果之好、大模型总结能力之强，一度让我们备受鼓舞。但注意，这是poc阶段，真正落地交付的时候，业务专家严格、多样、真实的场景需求便会扑面而来。

举个简单的例子，业务专家希望大模型回答的时候不要使用“不可以”这样的显著否定词，而是要用“不宜”这样的专业但温和的词，我们的工程师将这个词在prompt里面做了约束。过了两天，业务专家又来提意见，对于复杂的主观问题，大模型每段回答的结语都会有兜底的回复比如“必要时，可以向监管部门咨询确认”，业务专家认为多了“确认”二字，意思完全变了，监管只能“指导”，不能“确认”。

类似的回复格式、回复口吻、专业态度等，在实战场景中有非常多的要求，其本质就是大模型+RAG只能解决有没有的问题，不能解决专业不专业的问题。通过Prompt实现不是真正的解决之道，而且增加了很多复杂性，这让我们不得不上大招–微调。

说到微调，我这里又有话要说。

早在去年的时候很多客户领导一开口就是要搞微调，要搞成领域专家模型，当时为了这种局面我写了很多ppt纠正客户的认知，苦口婆心劝说大家先用RAG。如今我又回来说微调，多少有点尴尬。。。需要澄清的是，此【微调】非彼【微调】。我先来张图：

很多客户领导认为，我们可以通过【微调】让大模型掌握一定的领域知识，让它成为一个具有行业知识的专家。实际上这个过程不叫【微调】，而叫【增量预训练】，或者是【Post-pretran】。为啥是增量预训练呢？因为此时用到的数据和算力，是和预训练时候无二的。比如我们预训练一个6B的基础大模型，要用1500B的token通用语料，增量预训练则需要100B的token，同时还要混合预训练时的通用语料。那数据量，那算力，没有千万级的预算咱就先别想。。。但是增量预训练是扎扎实实让模型学习了某种知识，从这个角度来说，付出的努力（钱）是没白费的。

而我现在说的【微调】，其实不是为了 让大模型学习某种领域知识，而只是为了让它能执行特定任务，并且与人类意识对齐，比如能对话、能分类、回答问题无暴力倾向等。这就和我们前文所说的，想要训练一个说话专业点儿的法律专家助手的需求相符合了。在这里我们可以采用【微调】技术，增强我们上一个阶段仅仅用了知识库技术所做的“助手”。

至于如何微调，微调选什么技术框架，要多少算力多少数据，下回分解。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】