对于一些生成式场景而言，没有固定的回答结果，采用AI Agent的增强范式，可以极大地提升模型生成的效果。但是对于有固定格式、输出目标的场景而言，仅从prompt优化的角度出发很难突破瓶颈，需要通过微调来提升效果（如：分类模型）；

微调方法汇总

微调的目标是提升在特定任务上的效果，因此需要搜集特定领域样本数据，然后选择合适的方法进行微调。那么选择哪种方式来更新模型参数，也是十分重要的一环，模型参数的更新大致可分为以下几种：

微调方法	描述	特点	代表方法
全参数调整	算不上真正意义上的微调，在预训练模型基础上进行全量参数调整	需要有大量的样本和计算资源做支撑，成本较高	预训练模型均可进行全量参数优化，无特殊技巧
引入强化学习	引入奖励模型（RM），是用一对（prompt，response）和一个奖励分数来训练一个模型，在给定输入上输出分数是机器学习中一个非常常见的任务，可以将其看作是分类或回归任务。该模型为每一个文本输入到文本输出的结果打分，来评估模型的性能。	依赖于奖励模型人工标注的质量，成本较高	RLHF
部分参数调整	大部分是冻结模型前面的参数层，仅调整后面几层的参数	保持模型的部分知识（如低级特征提取）不变，基于此进行微调，在大部分任务上效果不如LoRa、Adapter等方式	BitFit
增加Adapter	在原始预训练模型基础上，额外增加几层Adapter，对新增的Adapter进行参数调整	会增加额外的计算成本和参数量，使得推理时间变长	Adapter Tuning及其变体
增加前缀Token	在模型输入或隐藏层增加可学习的前缀Token，只训练前缀参数，相当于为不同任务训练不同的自适应prompt	为前缀保留部分序列长度会导致处理下游任务的序列长度减少	Prefix Tuning、Prompt Tuning、P-Tuning、P-Tuning v2
重构简化参数	通过学习小参数的低秩矩阵近似模拟模型权重矩阵的参数更新，微调时仅训练低秩矩阵的参数	思路巧妙，结构简单效果好，适配性强	LoRA、AdaLoRA、QLoRA
混合调整	在Adapter、Prefix Tuning和LoRA等方法间建立联系的联合微调方法	结合各种微调提升技术的优点，集成的高效微调方式	MAM Adapter、UniPELT

微调主要方法发展进程：

上述微调技术现在已经封装至现有的微调框架，主流的微调框架有：

• DeepSpeed Chat : 微软开源,提供了一键式RLHF训练框架,奖励模型微调和基于人类反馈的强化学习（RLHF），此外还实现了DeepSpeed HE，统一的高效混合引擎，达到训练和推理引擎之间的过渡是无缝的。；
• PEFT：PEFT 是 Huggingface 开源的一个参数高效微调库，它提供了最新的参数高效微调技术，并且可以与 Transformers 和 Accelerate 进行无缝集成；

其中PEFT使用较为广泛，微调优化算法中LoRA的应用较为广泛，因为能在少量（1000左右）数据集的基础上调整少量参数，就能够较好地适配目标场景；

资料汇总

上述方法相关资料汇总，有时间可以学习下原文：

方法	时间&机构	论文链接	代码链接
RLHF	2023微软	DeepSpeed-Chat: Easy, Fast and Affordable RLHF Training of ChatGPT-like Models at All Scales	DeepSpeed-Chat
BitFit	2022巴伊兰大学	BitFit: BitFit: Simple Parameter-efficient Fine-tuning or Transformer-based Masked Language-models	BitFit
Adapter Tuning	2019谷歌	Parameter-Efficient Transfer Learning for NLP	adapter-bert
Prefix-Tuning	2021斯坦福大学	Prefix-Tuning: Optimizing Continuous Prompts for Generation	PrefixTuning
Prompt Tuning	2021谷歌	The Power of Scale for Parameter-Efficient Prompt Tuning	prompttunning
P-tuning	2021清华	GPT Understands, Too	P-tuning
P-tuning v2	2022清华	P-Tuning v2: Prompt Tuning Can Be Comparable to Fine-tuning Universally Across Scales and Tasks	P-tuning-v2
LoRA	2021微软	LoRA: Low-Rank Adaption of Large Language Models	LoRA
AdaLoRA	2023微软	Adaptive Budget Allocation for Parameter-Efficient Fine-Tuning	AdaLoRA
QLoRA	2023华盛顿大学	QLORA: Efficient Finetuning of Quantized LLMs	qlora
MAM Adapter	2022卡内基梅隆&南加利福利亚大学	Towards A Unifined View of Parameter-Efficient Transfer Learning	unify-parameter-efficient-tuning
UniPELT	2022伊利诺伊大学&Meta	UNIPELT: A Unified Framework for Parameter-Efficient Language Model Tuning	UniPELT

参考：

• 微调入门篇:大模型微调的理论学习
• 利用RLHF优化大模型：提升性能与应用能力
  
• 大模型参数高效微调技术原理综述（六）-MAM Adapter、UniPELT
• llm-action：超全大模型微调实战教程
• 大模型的领域适配 —— Parameter-Efficient Fine-Tuning (PEFT)
• LoRA（Low-Rank Adaptation）详解