什么是微调策略选择？
微调策略选择是指在需要对 AI 模型进行定制时，根据具体场景和目标选择最合适的技术路线。核心决策包含两个层面：是否需要微调，以及如果微调的话选择哪种微调方法。
微调 vs 不微调
提示词工程：最适合简单任务，零成本，立即可用。缺点是能力有限，复杂任务效果不佳。RAG：最适合需要外部知识的场景，可动态更新知识，成本低。缺点是依赖检索质量，不适合改变模型行为。微调：最适合需要改变模型输出风格、行为模式或学习特定领域知识的场景。成本高但效果最彻底。
微调方法对比
| 方法 | 训练参数量 | 显存需求 | 效果 | 适用场景 |
|------|-----------|---------|------|---------|
| 全量微调 | 100% | 极高 | 最好 | 充足预算、追求极致效果 |
| LoRA | 0.1-1% | 低 | 好 | 预算有限、快速迭代 |
| QLoRA | 0.1-1% | 极低 | 较好 | 消费级显卡、预算有限 |
| Adapter | 1-5% | 低 | 好 | 多任务切换 |
决策建议
有标注数据且任务与模型预训练差异大 → 全量微调或 LoRA。需要模型学习大量私有知识 → RAG。需要改变模型输出风格或行为模式 → LoRA。预算有限但需要定制效果 → QLoRA。有多个任务需要在同一基座上切换 → LoRA 或 Adapter。