Fine-tuning 是什么：AI 怎样把一类做法练成习惯

Fine-tuning（微调）是在已经预训练好的模型上，用更小、面向具体任务或领域的数据继续训练。它从现有权重出发，因此通常比从头预训练需要更少的数据、算力和时间。1

这期用「给通用裁缝改版型」讲清微调的三步：准备输入与理想输出样本、继续训练并更新权重、再用模型没见过的新题验收。监督微调的数据会把用户输入和正确回复配成示例，训练过程据此调整模型，使输出更接近这些示范。2

微调适合需要长期稳定行为的窄任务，例如固定结构化输出、函数调用，或让较小模型在特定任务上承担更明确的工作。它并不取代 Prompt；官方建议把微调前最有效的指令保留在训练样本中。3

片中还会分清三件事：Prompt 是当次任务单，RAG 是回答时带入可检索资料，Fine-tuning 则会通过训练改变模型权重。最重要的边界是数据质量：样本失衡、信息不全或标注不一致，都可能把坏习惯一起写进模型；训练过度还可能让输出多样性下降。3

一句话记住：微调改变的不是这一道题，而是模型下一次遇到同类题时的习惯。