什么是 P-Tuning？
P-Tuning（提示调优）是一种参数高效微调方法，由清华大学的团队提出。它的核心思想是：不在输入层写自然语言的提示词，而是在模型的输入嵌入层添加一些可训练的"虚拟 token"（软提示），通过优化这些虚拟 token 的嵌入向量来引导模型完成特定任务。
传统提示词 vs P-Tuning
传统提示词是用自然语言写的硬编码文本（如"请将以下内容翻译成英文"），由人类设计。P-Tuning 的"提示"是连续向量，由模型自动学习最优的提示表示，不受自然语言的限制，可能找到人类想不到的更好的提示方式。
P-Tuning 的变体
Prompt Tuning：只在输入层添加软提示，冻结整个模型，非常轻量。
P-Tuning v2：在每一层都添加可学习的提示，效果更好，接近全量微调。
Prefix Tuning：在 Transformer 的每一层注意力模块前添加可学习的前缀向量。
P-Tuning 的优势
P-Tuning 比 LoRA 更轻量（需要训练的参数更少），适合需要在同一个基座模型上快速切换多个任务的场景。但它在效果上通常不如 LoRA，尤其是当任务与预训练任务差异较大时。