Fine-tuning 中文通常叫“微调”。在 AI 语境里，它指在已有基础模型之上，用额外数据继续训练，让模型更适合某类任务、格式、风格或领域。
可以把基础模型想成一个通用能力很强的人，微调则像让它接受某个岗位的专项训练。它不是从零培养一个人，而是在已有能力上调整习惯。
先用一句话抓住它
微调是在预训练模型基础上继续训练，让模型更适应特定任务、输出格式、语气或领域要求。
它不是把所有知识硬塞进模型，也不是万能增强按钮。它更适合让模型稳定执行某类重复任务。
生活里的类比，是新员工入职后的岗位培训。这个人原本已经会读写、会沟通、会解决一般问题；公司培训不是从零教他识字，而是让他熟悉公司的话术、表格格式、处理流程和质量标准。微调也是类似：不是重造一个模型，而是让已有模型更习惯某种固定工作方式。
微调到底改变什么
通用模型已经有很强的语言、推理和生成能力，但它未必总能按你的固定格式、固定风格或固定任务习惯输出。比如你希望模型长期稳定地产生某种 JSON 结构，按照公司客服话术回答，识别某类专业标签，或用特定风格写产品说明。只靠提示词也能做到一部分，但如果任务重复、样例充足、格式稳定，微调可能更可靠。
flowchart LR
Base["基础模型"] --> Data["任务样例数据"]
Data --> Train["继续训练"]
Train --> Tuned["微调后模型"]
Tuned --> Output["更稳定的任务输出"]微调需要高质量的训练样例，也就是输入和理想输出的配对。训练后，还要用评估集检查模型有没有真的变好。数据质量很关键，如果样例前后不一致、覆盖不全面，模型可能学偏。过拟合也是风险：模型过度记住训练样例，遇到新情况反而表现不好。
什么时候适合微调
微调适合任务形态稳定、样例足够、输出要求明确的情况。比如分类标签固定、输出格式固定、品牌语气固定、客服流程稳定。它也适合把大量重复提示中隐含的规则学进模型，减少每次都写长提示的成本。
但如果你只是想让模型知道最新资料，RAG 通常更合适。知识库、产品手册、政策文件和内部文档经常更新，放在外部检索系统里比写进模型更容易维护。如果任务还在频繁变化，用提示词、工作流或工具调用调整，也比微调灵活。
和 RAG 的区别
RAG 是回答前查资料，微调是改变模型行为。RAG 适合知识会更新、资料很多、需要引用来源的场景；微调适合固定任务、固定格式和稳定风格。
两者可以结合。一个模型可以通过微调学会稳定的输出格式，同时通过 RAG 获取最新或私有资料。这样既有行为稳定性，也有知识可更新性。
容易误解的地方
微调最常见的误区，是把它当成“上传知识库”。大量事实资料更适合检索，因为事实会更新，也需要引用来源。微调不能保证模型准确记住所有知识，更不能保证不会幻觉。
另一个误区是认为数据越多越好。微调更看重样例质量、一致性和覆盖面。错误样例会把模型带偏，过窄样例会让模型泛化变差。
怎么判断它该不该用
决定微调前，可以先问：这个问题能不能用更好的提示词解决？能不能用 RAG 提供资料？能不能用工具或后处理保证格式？如果这些方法都不够，而任务又重复稳定，微调才更值得考虑。
真正做微调时，要准备高质量样例，保留评估数据，检查错误类型、安全性、成本和上线后的表现。