在大模型（LLM）的微调（Fine-tuning）领域，目前的方案主要可以从参数更新范围（全量 vs. 高效）和训练目标/阶段（指令微调 vs. 对齐）两个维度来分类。 以下是目前业界最常用的微调方案详解： --- 一、 基于参数更新范围的分类 这是最核心的技术分类，决定了你需要多少显存（VRAM）和算力。 1. 全量微调 (Full Fine-Tuning, FFT) 原理：对模型的所有参数（权重）进行更新。 特点： 优点：理论上效果上限最高，能让模型最彻底地适应新领域（如从通用领域转到极度垂直的医学或法律领域）。 缺点：资源消耗极大（通常需要 4-8 倍模型权重的显存），训练速度慢，且容易出现“灾难性遗忘”（Catastrophic Forgetting），即模型忘了原本通用的能力。 适用场景：拥有海量算力（H100/A100集群），且数据量巨大、领域跨度极大的情况。 2. 参数高效微调 (PEFT, Parameter-Efficient Fine-Tuning) 这是目前最主流的方案，旨在冻结大部分模型参数，仅更新极少量的参数，从而大幅降低显存需求。 LoRA (Low-...
播面