在人工智能领域，模型微调已成为提升模型性能、使其适应特定任务的关键技术。本文将全面系统地介绍模型微调的各个方面，帮助读者深入理解这一重要技术。

一、什么是模型微调

模型微调是指在已经训练好的预训练模型基础上，进行进一步的调整和优化，以使模型的输出更加符合特定的应用需求。从本质上讲，微调也是模型训练的一种形式，其过程与训练一个全新的模型有诸多相似之处。

谁来做微调

微调工作通常需要由具备丰富经验的研发人员或算法工程师来承担。这一过程不仅需要扎实的技术功底，还离不开两个核心要素：代码实现能力和充足的算力支持。值得一提的是，虽然目前有一些平台提供了可视化界面来辅助微调，但这些界面的功能往往较为有限，只能起到一定的辅助作用。

什么样的模型可以微调

并非所有模型都适合进行微调，以下两类模型是比较常见的微调对象：

大部分开源模型，例如LLaMA、qwen、glm等。这些模型具有开放的架构和参数，为用户进行个性化调整提供了便利。

API中开放微调接口的闭源模型或平台，如文心、智谱AI等。不过，开源模型和闭源模型在微调时存在明显差异：开源模型经过微调后可以生成新的模型；而闭源模型的微调过程则是在平台的服务器上进行，用户无法直接获取模型的原始参数。

影响微调的核心因素

微调的效果受到多个因素的综合影响，其中最为核心的包括：

基座模型的选择：基座模型的性能和特性在很大程度上决定了微调的上限。

微调方式的选择：不同的微调方法适用于不同的场景和需求。

数据质量：高质量的数据是确保微调成功的关键基础。

二、模型微调工作流程

第一步：需求分析与目标设定

这一阶段主要由项目组或产品经理主导，是微调工作的起点和关键。

什么情况下需要微调

在实际应用中，以下几种情况通常需要考虑对模型进行微调：

项目性质要求：例如甲方明确提出需求、出于资本化考虑或为了完成政绩工程等。此外，微调也是快速获得符合特定领域需求的大模型的常见手段，如矿山大模型、领域大模型等。

沟通方式和语言风格有特殊要求：当基座模型通过prompt控制无法稳定实现特定的沟通方式或语言风格时，如AI儿童讲故事场景。

基座模型缺少垂直领域数据：在医疗、军事等对专业知识要求较高的领域，由于互联网公开数据可能无法满足需求，导致基座模型无法完成专业任务。

基座模型无法完成特定任务：例如需要模型实现自动化操作电脑、手机等功能。

微调之前需要考虑的问题

在决定进行微调之前，需要全面评估以下几个方面：

是否已经充分尝试了prompt（包括few-shot、cot等方式）和RAG技术？

是否能够保障微调所需的数据量级和数据质量？

由于基座模型会不断推出新版本，其能力也会不断提升，是否考虑过需要重新微调的情况？

核心工作步骤

1）明确业务需求和微调模型的目标：

仔细审视所选的基座模型在实际场景中的表现，判断是否真的需要微调。

检查是否已经尝试了各种prompt方法。

考虑是否对任务进行了合理拆解。

确认是否已经完善了RAG系统。需要注意的是，在大多数情况下，可能并不需要进行微调。

2）确定需要解决的具体问题。

3）设定预期的性能提升目标。

4）明确特定的业务指标或限制条件。

第二步：数据收集与准备

数据收集与准备工作主要由产品经理主导，这是微调工作的基础。

数据收集

根据具体的需求，从企业的数据库、日志文件、用户交互记录等多种来源收集相关数据。需要强调的是，在真实场景中收集真实数据至关重要，这将直接影响到微调的效果。

数据清洗

对收集到的数据进行清洗，去除其中的噪声、错误和不一致性，确保数据的质量。高质量的数据是模型能够有效学习的前提。

数据标注

如果采用监督学习方法进行微调，则需要对数据进行标注。这一步可能需要雇佣外部团队或利用内部资源来完成。准确的标注数据对于模型的训练和性能提升具有重要意义。

数据划分

将数据集划分为训练集、验证集和测试集，以便对模型的性能进行评估：

训练集：占比70-80%，用于模型的实际训练和学习。

验证集：占比10-15%，用于评估模型在训练过程中的表现，以便及时做出调整。

测试集：占比10-15%，在模型训练完成后用于最终评估模型的性能。

模型微调的数据量（LoRA微调）

模型尺寸与微调数量级之间存在一定的大致关系，如下表所示：

数据质量标准

以智能客服系统的对话场景模型微调为例，数据质量标准可以包括以下多个维度：

第三步：模型选择

模型选择通常由算法主导，产品经理也应积极参与。

前提考虑

在选择模型之前，同样需要考虑以下几个问题：

是否已经充分尝试了prompt（包括few-shot、cot等方式）和RAG技术？

是否能够保障微调所需的数据量级和数据质量？

由于基座模型会不断更新，是否考虑过需要重新微调的情况？

选择模型的原则和方法

开源和闭源的选择：原则上优先选择开源模型，但最终决策需要根据具体的业务场景来确定。

基座模型公司的选择：例如智谱AI的glm系列模型，其中glm4的最强模型不开源，而阿里系的qwen模型是一个值得推荐的选择。

模型尺寸的选择：需要从效果和成本两个方面综合考虑，在项目中，可能需要根据不同的场景选择不同尺寸的模型。一般来说，可以先尝试最大尺寸的模型以获取最佳效果，然后再根据实际需求降到最小可行尺寸。

基于场景的模型选择

在实际项目中，模型的选择需要综合考虑效果和成本。一个项目可能包含多个场景，因此可能需要选择不同的模型。通常需要通过实验和经验来确定最佳的模型选择和微调方式，例如：

对于一些复杂任务，可能需要采用33b+的模型进行全量微调。

而对于另一些任务，可能采用110+的模型并冻结部分参数进行微调更为合适。

第四步：模型微调

模型微调由算法工程师实施，是整个工作流程的核心环节。

模型微调方式（本质上是SFT）

1）全模型微调：对整个模型的所有参数进行调整。

2）轻量化微调（Parameter-EfficientFine-tuning，PEFT）：

低秩适应微调（Low-RankAdaptation，LoRA）：这是最常用的微调技术之一。

prompttuning。

P-Tuning。

Prefix-Tuning。

3）冻结部分参数微调：只对模型的部分参数进行调整，其余参数保持冻结。

4）渐进微调：逐步调整模型的参数，以提高微调的效果和稳定性。

5）多任务微调：同时对多个任务进行微调，以提高模型的泛化能力。

LoRA微调原理

LoRA微调的核心原理是只选择原始模型的部分参数作为目标微调参数（通常r取4、8、16、32等），不更改模型的原始参数，而是在原始参数的基础上增加一个偏移量，从而得到一套新的参数。这种方法具有高效、节省算力等优点，因此在实际应用中最为常用。

QLoRA微调

QLoRA微调的主要目的是解决显存占用量过大的问题。显存占用量的计算方法如下：参数量×4×4倍（装进来+转起来）/(1024×1024×1024)=xG显存。以7B模型为例，其参数量为7000000000，计算可得显存占用约为11200000000字节，即约104G，这需要5张NVIDIA4090显卡（每张24G）。QLoRA通过将4个字节的浮点数改成1个字节的整数，直接将显存占用降低到原来的四分之一，大大提高了模型微调的可行性。

第五步：模型评估

模型评估由产品经理主导，是确保模型满足预期需求的关键环节。

评估手段：支持率

在特定场景下评估微调后的模型能力，支持率是一个重要的指标。通用领域的评估往往没有实际意义。具体评估方法如下：

1）设计问答任务，使用微调前和微调后的模型分别回答问题，然后由人工在不知道回答来源的情况下进行偏好选择。

2）评估标准：

如果微调后的模型支持率低于50%，说明这次微调不仅没有提升模型能力，反而破坏了原有模型的能力。

如果支持率在50%左右，说明微调几乎没有取得进步。

如果支持率在50%-70%之间，微调的成果不够理想。

如果支持率在70%-80%之间，说明这次微调是成功的。

如果支持率超过80%，表明在大多数场景下，这次微调都取得了显著的提升。

第六步：模型部署

一旦模型通过评估，就可以由研发人员将其部署到生产环境中，使其能够为实际业务提供服务。

第七步：监控与维护

模型部署到生产环境后，需要由产品经理负责进行监控与维护：

性能监控：定期检查模型的性能，确保其持续满足业务需求。

更新与再训练：随着新数据的获取或业务环境的变化，可能需要对模型进行再次训练或微调，以适应新的情况。

第八步：反馈循环

产品经理需要设计反馈和监督机制，建立一个有效的反馈循环：收集模型使用过程中的反馈信息，用于指导未来的改进和优化工作，使模型能够不断进化和完善。

三、数据工程

需要明确的是，微调不是一次性工程，持续的数据收集和体系化的数据处理比微调技术本身更为重要。

如何收集偏好数据（相当于人工标注）

点赞点踩：通过用户对模型输出的点赞或点踩行为来收集偏好数据。

多选项选择：例如一次性给用户展示4张图，让用户选择偏好的选项；或者让模型生成两个答案，让用户进行选择。

客服工作台辅助：在客服工作台中，模型生成4个辅助回复，其中2个来自原模型，2个来自微调后的模型，让客服选择一个最合适的回复，从而收集偏好数据。

产品功能设计

数据收集能力：在产品功能设计上，一定要具备数据收集能力，以便及时获取用户反馈和偏好数据。

定向数据收集：针对特定场景，在产品功能上设计定向数据收集的机制，提高数据的针对性和有效性。

设计好数据管理平台

利用LLM能力：让数据管理平台具备一定的智能，提高数据管理的效率和质量。

参考案例：如百度智能云的数据管理和数据标注平台。

数据管理平台产品框架

数据来源管理：管理自有数据、公开数据、用户生成数据、专家撰写的数据、模型合成数据、众包收集数据等多种数据来源，并实现在线系统数据的直接导入和数据平台与在线系统的实时对接。

体系化标注：包括标签定义、标签层次构建、打标任务管理和打标任务分层等，支持用户打标、服务人员打标、专家打标、AI打标、交叉打标、交叉复检和专家抽检等多种标注方式。

数据去重与增强：通过prompt的相似度计算、数据来源整体质量分级等方法进行数据去重，同时采用同义词替换、词序打乱、反向翻译、数据混合等技术进行数据增强。例如，将200条问答数据通过模型生成相同的提问，可扩展为400条数据；将数据翻译成其他语言再翻译回原语言，可实现表达方法的多样性。

数据打包：实现训练集、验证集和测试集的自动化划分，建立数据集与模型版本、模型评估结果的关联，并按标签评估数据的可用性和复用性。

模型评估：支持偏好打标、专家打分、用户偏好收集等评估方式，并按标签产出评估结果，实现评估与打标数据的复用。

多利用能力强大的模型辅助工作：例如利用强大的模型进行数据过滤、自动打标、交叉复检、prompt的相似度计算、response质量对比、数据增强和模型评估等工作，提高数据工程的效率和质量。

四、后记

原则

如果没有高质量的数据，微调实操的意义不大。数据质量是决定微调效果的关键因素，即使采用最先进的微调技术，若没有高质量的数据支撑，也难以取得理想的效果。

不强调数据量的大小，但是数据质量一定要高。在数据工程中，应更加注重数据的质量而非数量，高质量的数据能够使模型更加有效地学习到所需的知识和模式。

通过以上对模型微调的全面介绍，相信读者已经对模型微调有了深入的理解。在实际应用中，需要根据具体的业务需求和场景，合理选择微调方法和数据处理方式，以实现模型性能的有效提升。

【西部计算机】汉朔科技：北美市场潜力释放，零售数字化持续加速特别声明特别声明《证券期货投资者适当性管理办法》、《证券经营机构投资者适当性管理实施指引(试行)》于2017年7月1日起正式实施。通过新媒体形式制作的本公众号推送信息仅面向西部证券的专业投资者。若您并非西部证券的专业投资者