微调是在一个已经理解语言的模型基础上，用更小、更有针对性的数据集微调其权重。Howard 和 Ruder（2018）通过 ULMFiT 确立了 NLP 领域现代迁移学习的方法；Devlin 等人（2019）则借助 BERT 让“先预训练、再微调”成为主流范式。
与提示词相比，微调可以把某种行为永久固化到模型中，推理时成本也低——代价是需要一次训练，以及一个需要持续维护的数据集。
训练
2026 年更新
微调（Fine-Tuning）
定义
在额外的专业数据上继续训练预训练模型，使其适应某个领域、任务或风格，而无需从零开始构建。
参考文献
本定义所依据的一手文献、同行评审文献和存档资料。
Universal Language Model Fine-tuning for Text Classification
BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding
词典与百科条目
- Wikipedia — Fine-tuning (deep learning)
- IBM — Think / Topics — What is fine-tuning?
引用本条目
MultipleChat.《微调（Fine-Tuning）》. MultipleChat AI 与 LLM 术语表，2026. https://multiple.chat/ai-glossary/fine-tuning