来自：【多模态】28、LLaVA 第一版 | Visual Instruction Tuning 多模态模型的指令微调_多模态指令跟随数据-CSDN博客

几种模型训练方法的区别：

1、Pretrain-finetune：先在大量数据集上做预训练，然后针对某个子任务做 finetune

2、Prompting:

定义: Prompting 是指向模型提供一个或一系列的提示（prompts），通常是用自然语言编写的，这些提示旨在激发模型给出特定类型的回应。这不涉及改变模型的内部权重或结构，而是利用模型已经学习的知识和能力。
使用场景: Prompting 常用于零样本（zero-shot）或少样本（few-shot）学习场景，其中模型需要在没有大量特定任务数据的情况下执行任务。
例子: 例如，如果你想让一个语言模型生成诗歌，你可以给它一个提示，如“写一首关于春天的诗”，模型就会基于这个提示生成文本。
3、Instruct-tuning:

定义: Instruct-tuning 是指对模型进行额外的训练（也称为微调），通常是在一个特定的任务上，使用一个特定的数据集，这个数据集包含了特定的指令和期望的行为。这个过程实际上会改变模型的权重，使其更好地理解和执行给定的指令。
使用场景: Instruct-tuning 通常用于提高模型对于特定指令的响应性和准确性，尤其是当模型在原始训练中没有充分学习如何处理这些指令时。
例子: 如果一个模型在处理复杂的自然语言指令时表现不佳，如“整理这份报告的要点”，则可以通过 instruct-tuning 在包含类似任务的数据集上进一步训练模型，以改善其在该任务上的性能。
简而言之，prompting 是一种无需改变模型本身而利用模型现有能力的方法，而 instruct-tuning 是通过额外训练来改善模型对特定指令的响应。两者都是提高人工智能模型性能的有效方法，但它们的适用情况和目的有所不同。