微调（Fine-tuning）是大模型从通用基座走向专属业务场景的关键步骤，是衔接预训练与落地应用的核心技术。如果说预训练是让模型在海量无标注数据中习得通用语言、视觉常识与底层逻辑，搭建通用能力底座，那微调就是利用少量人工标注的专属数据，对预训练模型权重进行小幅迭代优化，让通用模型适配特定任务、固定输出规范与业务逻辑。
预训练后的基座模型具备广谱泛化能力，能理解基础语义与视觉特征，但没有针对性的任务认知，无法适配细分场景需求，存在输出随意、贴合业务度低、指令跟随弱等问题。而微调的核心价值，就是在不破坏模型通用能力的前提下，教会模型专属任务规则、行业知识和输出格式，弥补通用模型的场景短板，让模型从“全能通用”变为“精准专用”。
微调的核心逻辑是小范围、针对性迭代。不同于预训练海量数据的大规模权重更新，微调依托高质量、小体量的标注数据集，对Transformer的自注意力、前馈网络等模块权重进行精细调优。训练过程中，模型会摒弃通用场景的冗余输出逻辑，固化专属任务的识别、推理与生成逻辑，精准适配文本分类、专属问答、图像细分识别等各类下游任务。
目前主流微调方式分为两类，一是全量微调，更新模型全部权重，适配高精度场景但算力成本较高；二是参数高效微调，仅更新少量专属参数，低成本、高效率完成场景适配，是当下工程落地的主流选择。微调与预训练、提示工程相辅相成，预训练筑牢基础，微调固化场景能力，提示工程规范实时输出，共同支撑AI模型高效、稳定落地各类实际应用。