名词解释 / 07
微调
英文名称：Fine-tuning 常见别名：模型微调、垂直领域微调、行业适配；在供应商方案里也常被笼统称为“模型定制” 所属分类：进一步了解 AI 原理
一句话解释
微调是在一个已经训练好的通用大模型基础上，用某个行业或公司自己的数据再做一轮“补课训练”，让它在特定业务场景里更专业。通用大模型出厂时已经学会了语言，微调不需要从零教 AI 说话，而是把一个“通才”进一步练成某个岗位的“熟手”，让它学会你们行业的叫法、输出格式和干活习惯。
工作中什么时候会遇到
普通员工在用 WorkBuddy、千问办公这类产品时不会自己动手微调，这个动作通常由公司技术部门或外部供应商完成。你会听到这个词，多半在这些时刻：内部问答助手或智能客服答得不专业，技术同事说“我们对模型做了行业微调”；信息化选型或采购方案评估时，供应商提到“用你们的业务数据做了微调，准确率提升了多少”；企业版产品里出现“行业模型”“领域版本”之类的选项。产品是否开放微调、具体怎么操作，以当前版本和官方说明为准。
还有一个容易误会的地方：你往对话助手里上传公司文件，让它照着文件回答，这不叫微调。模型并没有被训练，它只是现场查你给的资料（见 RAG）。把“上传资料”当成“微调”，是方案交流里最常见的理解偏差。
能解决什么问题
- 让 AI 听懂行业和专业用语：把公司内部的产品型号、工序名称、部门叫法、客户习惯说法学会，不再出现“报修”和“保修”这类低级混淆。
- 让 AI 稳定按公司的格式和口径输出：客服话术、质检结论、报告模板这类有固定套路的输出，不用每次都反复纠正。
- 让高频固定任务更可靠：工单自动归类、单据字段提取、售后问题初步判断，这类任务经过微调会比通用模型答得稳。
- 比从零训练便宜得多：不用从海量语料从头造一个模型，用一批高质量业务数据就能把现成大模型“掰”向自己的方向。
- 支撑“一个底座、多个行业复用”的部署方式：现在不少微调只改动模型里极小一部分参数，同一个底座可以配出不同行业的版本，互不干扰。这部分偏技术方案，普通员工了解即可。
举个例子
一家设备制造企业的售后客服部，系统想自动把每天收到的售后工单归到公司自定义的几十个类别里，比如“机械故障、电气故障、操作问题、退换货申请”。通用 AI 经常分错，例如把“电机异响”归进电气故障，而它其实属于机械故障。技术团队整理近 2 万条已经人工确认过分类的历史工单，对通用模型做了一轮微调。之后新工单的自动分类明显更准。流程上，系统先自动分类并给出建议，客服同事点“确认”放行；分错的改回正确类别，这些修正会积累成下一轮微调的素材，效果越用越好。
怎么使用
普通员工要做的不是操作微调，而是两件事：贡献素材和验收效果。把你经手过的真实案例、标准话术、规范文档提供给项目团队，这些是微调的数据来源；AI 答错时及时反馈，说清楚错在哪、正确的是什么，这些修正意见会进入下一轮改进。多数办公类 AI 产品不向个人开放训练模型，把文件喂进去让它照着答，属于资料检索而非微调，具体能力边界以当前版本和官方说明为准。
真正执行微调的是算法工程师或供应商技术团队，由他们负责整理和标注数据、跑训练、评估效果，并根据预算选择做法：全量微调是把整个模型的参数都更新一遍，效果最稳但成本高；低参数微调（如 LoRA）只调整极小一部分参数，成本低、见效快，适合“一个底座服务多个行业”。业务人员在这条链上最有价值的是验收：用真实任务、真实难例去测试，而不是听到一句“准确率提升到多少”就通过。
使用时要注意什么
第一，微调不是给模型补资料。模型记不住你临时塞进去的具体事实，最新的产品资料、价格、政策要靠知识库现场查（见 知识库）；微调学的是任务规律、语言习惯和输出风格，两者各管一摊。方向用错，钱花了效果却不对。第二，数据质量决定效果上限。数据里的错误和前后矛盾会被模型学走——工单本身分类就错、同一件事两种写法，模型会越学越乱；口径一致比数量多更重要。
第三，微调后模型可能“偏科”：行业问题上更准，通用问题上反而变弱。验收不能只看几个精心准备的例子，要拿日常工作里的真实任务整体测一遍。第四，方案里说的“用你们的数据定制”未必都是微调，很多场景实际是检索增强。两类做法的成本、适用条件和更新方式都不同，签合同和验收时问清楚实现方式，别只为“定制”两个字多付钱。
容易混淆的词
- 训练（从零训练）：从零训练是用海量数据从头造一个模型，成本和周期都很高；微调是在现成通用模型上继续学，便宜得多。企业方案里说的“定制”绝大多数指微调，不是从零训练。
- 预训练：大模型出厂前用海量通用文本做的“基础教育”，让模型学会了语言本身；微调是在这之后用业务数据做的“岗前培训”。厂商说的“预训练模型”，指的就是这个现成的底座。
- 提示词（Prompt）：写提示词是给模型说清楚当次要求，不改变模型本身，随时可改；微调真正改变模型的行为方式，改一次成本不低。想让 AI 临时换个风格，用提示词就够了，不必微调。
- 知识库／RAG（检索增强生成）：知识库让 AI 现场查阅你提供的资料再回答，资料更新答案也跟着更新；微调把规律练进模型参数里，改动需要重新训练。补具体事实用知识库，要稳定的任务能力和表达风格才考虑微调。