在人工智能领域，模型微调已成为提升模型性能、使其适应特定任务的关键技术。本文将全面系统地介绍模型微调的各个方面，帮助读者深入理解这一重要技术。

一、什么是模型微调

模型微调是指在已经训练好的预训练模型基础上，进行进一步的调整和优化，以使模型的输出更加符合特定的应用需求。从本质上讲，微调也是模型训练的一种形式，其过程与训练一个全新的模型有诸多相似之处。

谁来做微调

微调工作通常需要由具备丰富经验的研发人员或算法工程师来承担。这一过程不仅需要扎实的技术功底，还离不开两个核心要素：代码实现能力和充足的算力支持。值得一提的是，虽然目前有一些平台提供了可视化界面来辅助微调，但这些界面的功能往往较为有限，只能起到一定的辅助作用。

什么样的模型可以微调

并非所有模型都适合进行微调，以下两类模型是比较常见的微调对象：

大部分开源模型，例如LLaMA、qwen、glm等。这些模型具有开放的架构和参数，为用户进行个性化调整提供了便利。

API中开放微调接口的闭源模型或平台，如文心、智谱AI等。不过，开源模型和闭源模型在微调时存在明显差异：开源模型经过微调后可以生成新的模型；而闭源模型的微调过程则是在平台的服务器上进行，用户无法直接获取模型的原始参数。

影响微调的核心因素

微调的效果受到多个因素的综合影响，其中最为核心的包括：

基座模型的选择：基座模型的性能和特性在很大程度上决定了微调的上限。

微调方式的选择：不同的微调方法适用于不同的场景和需求。

数据质量：高质量的数据是确保微调成功的关键基础。

二、模型微调工作流程

第一步：需求分析与目标设定

这一阶段主要由项目组或产品经理主导，是微调工作的起点和关键。

什么情况下需要微调

在实际应用中，以下几种情况通常需要考虑对模型进行微调：

项目性质要求：例如甲方明确提出需求、出于资本化考虑或为了完成政绩工程等。此外，微调也是快速获得符合特定领域需求的大模型的常见手段，如矿山大模型、领域大模型等。

沟通方式和语言风格有特殊要求：当基座模型通过prompt控制无法稳定实现特定的沟通方式或语言风格时，如AI儿童讲故事场景。

基座模型缺少垂直领域数据：在医疗、军事等对专业知识要求较高的领域，由于互联网公开数据可能无法满足需求，导致基座模型无法完成专业任务。

基座模型无法完成特定任务：例如需要模型实现自动化操作电脑、手机等功能。

微调之前需要考虑的问题

在决定进行微调之前，需要全面评估以下几个方面：

是否已经充分尝试了prompt（包括few-shot、cot等方式）和RAG技术？

是否能够保障微调所需的数据量级和数据质量？

由于基座模型会不断推出新版本，其能力也会不断提升，是否考虑过需要重新微调的情况？

核心工作步骤

1）明确业务需求和微调模型的目标：

仔细审视所选的基座模型在实际场景中的表现，判断是否真的需要微调。

检查是否已经尝试了各种prompt方法。

考虑是否对任务进行了合理拆解。

确认是否已经完善了RAG系统。需要注意的是，在大多数情况下，可能并不需要进行微调。

2）确定需要解决的具体问题。

3）设定预期的性能提升目标。

4）明确特定的业务指标或限制条件。

第二步：数据收集与准备

数据收集与准备工作主要由产品经理主导，这是微调工作的基础。

数据收集

根据具体的需求，从企业的数据库、日志文件、用户交互记录等多种来源收集相关数据。需要强调的是，在真实场景中收集真实数据至关重要，这将直接影响到微调的效果。

数据清洗

对收集到的数据进行清洗，去除其中的噪声、错误和不一致性，确保数据的质量。高质量的数据是模型能够有效学习的前提。

数据标注

如果采用监督学习方法进行微调，则需要对数据进行标注。这一步可能需要雇佣外部团队或利用内部资源来完成。准确的标注数据对于模型的训练和性能提升具有重要意义。

数据划分

将数据集划分为训练集、验证集和测试集，以便对模型的性能进行评估：

训练集：占比70-80%，用于模型的实际训练和学习。

验证集：占比10-15%，用于评估模型在训练过程中的表现，以便及时做出调整。

测试集：占比10-15%，在模型训练完成后用于最终评估模型的性能。

模型微调的数据量（LoRA微调）

模型尺寸与微调数量级之间存在一定的大致关系，如下表所示：

数据质量标准

以智能客服系统的对话场景模型微调为例，数据质量标准可以包括以下多个维度：

第三步：模型选择

模型选择通常由算法主导，产品经理也应积极参与。

前提考虑

在选择模型之前，同样需要考虑以下几个问题：

是否已经充分尝试了prompt（包括few-shot、cot等方式）和RAG技术？

是否能够保障微调所需的数据量级和数据质量？

由于基座模型会不断更新，是否考虑过需要重新微调的情况？

选择模型的原则和方法

开源和闭源的选择：原则上优先选择开源模型，但最终决策需要根据具体的业务场景来确定。

基座模型公司的选择：例如智谱AI的glm系列模型，其中glm4的最强模型不开源，而阿里系的qwen模型是一个值得推荐的选择。

模型尺寸的选择：需要从效果和成本两个方面综合考虑，在项目中，可能需要根据不同的场景选择不同尺寸的模型。一般来说，可以先尝试最大尺寸的模型以获取最佳效果，然后再根据实际需求降到最小可行尺寸。

基于场景的模型选择

在实际项目中，模型的选择需要综合考虑效果和成本。一个项目可能包含多个场景，因此可能需要选择不同的模型。通常需要通过实验和经验来确定最佳的模型选择和微调方式，例如：

对于一些复杂任务，可能需要采用33b+的模型进行全量微调。

而对于另一些任务，可能采用110+的模型并冻结部分参数进行微调更为合适。

第四步：模型微调

模型微调由算法工程师实施，是整个工作流程的核心环节。

模型微调方式（本质上是SFT）

1）全模型微调：对整个模型的所有参数进行调整。

2）轻量化微调（Parameter-EfficientFine-tuning，PEFT）：

低秩适应微调（Low-RankAdaptation，LoRA）：这是最常用的微调技术之一。

prompttuning。

P-Tuning。

Prefix-Tuning。

3）冻结部分参数微调：只对模型的部分参数进行调整，其余参数保持冻结。

4）渐进微调：逐步调整模型的参数，以提高微调的效果和稳定性。

5）多任务微调：同时对多个任务进行微调，以提高模型的泛化能力。

LoRA微调原理

LoRA微调的核心原理是只选择原始模型的部分参数作为目标微调参数（通常r取4、8、16、32等），不更改模型的原始参数，而是在原始参数的基础上增加一个偏移量，从而得到一套新的参数。这种方法具有高效、节省算力等优点，因此在实际应用中最为常用。

QLoRA微调

QLoRA微调的主要目的是解决显存占用量过大的问题。显存占用量的计算方法如下：参数量×4×4倍（装进来+转起来）/(1024×1024×1024)=xG显存。以7B模型为例，其参数量为7000000000，计算可得显存占用约为11200000000字节，即约104G，这需要5张NVIDIA4090显卡（每张24G）。QLoRA通过将4个字节的浮点数改成1个字节的整数，直接将显存占用降低到原来的四分之一，大大提高了模型微调的可行性。

第五步：模型评估

模型评估由产品经理主导，是确保模型满足预期需求的关键环节。

评估手段：支持率

在特定场景下评估微调后的模型能力，支持率是一个重要的指标。通用领域的评估往往没有实际意义。具体评估方法如下：

1）设计问答任务，使用微调前和微调后的模型分别回答问题，然后由人工在不知道回答来源的情况下进行偏好选择。

2）评估标准：

如果微调后的模型支持率低于50%，说明这次微调不仅没有提升模型能力，反而破坏了原有模型的能力。

如果支持率在50%左右，说明微调几乎没有取得进步。

如果支持率在50%-70%之间，微调的成果不够理想。

如果支持率在70%-80%之间，说明这次微调是成功的。

如果支持率超过80%，表明在大多数场景下，这次微调都取得了显著的提升。

第六步：模型部署

一旦模型通过评估，就可以由研发人员将其部署到生产环境中，使其能够为实际业务提供服务。

第七步：监控与维护

模型部署到生产环境后，需要由产品经理负责进行监控与维护：

性能监控：定期检查模型的性能，确保其持续满足业务需求。

更新与再训练：随着新数据的获取或业务环境的变化，可能需要对模型进行再次训练或微调，以适应新的情况。

第八步：反馈循环

产品经理需要设计反馈和监督机制，建立一个有效的反馈循环：收集模型使用过程中的反馈信息，用于指导未来的改进和优化工作，使模型能够不断进化和完善。

三、数据工程

需要明确的是，微调不是一次性工程，持续的数据收集和体系化的数据处理比微调技术本身更为重要。

如何收集偏好数据（相当于人工标注）

点赞点踩：通过用户对模型输出的点赞或点踩行为来收集偏好数据。

多选项选择：例如一次性给用户展示4张图，让用户选择偏好的选项；或者让模型生成两个答案，让用户进行选择。

客服工作台辅助：在客服工作台中，模型生成4个辅助回复，其中2个来自原模型，2个来自微调后的模型，让客服选择一个最合适的回复，从而收集偏好数据。

产品功能设计

数据收集能力：在产品功能设计上，一定要具备数据收集能力，以便及时获取用户反馈和偏好数据。

定向数据收集：针对特定场景，在产品功能上设计定向数据收集的机制，提高数据的针对性和有效性。

设计好数据管理平台

利用LLM能力：让数据管理平台具备一定的智能，提高数据管理的效率和质量。

参考案例：如百度智能云的数据管理和数据标注平台。

数据管理平台产品框架

数据来源管理：管理自有数据、公开数据、用户生成数据、专家撰写的数据、模型合成数据、众包收集数据等多种数据来源，并实现在线系统数据的直接导入和数据平台与在线系统的实时对接。

体系化标注：包括标签定义、标签层次构建、打标任务管理和打标任务分层等，支持用户打标、服务人员打标、专家打标、AI打标、交叉打标、交叉复检和专家抽检等多种标注方式。

数据去重与增强：通过prompt的相似度计算、数据来源整体质量分级等方法进行数据去重，同时采用同义词替换、词序打乱、反向翻译、数据混合等技术进行数据增强。例如，将200条问答数据通过模型生成相同的提问，可扩展为400条数据；将数据翻译成其他语言再翻译回原语言，可实现表达方法的多样性。

数据打包：实现训练集、验证集和测试集的自动化划分，建立数据集与模型版本、模型评估结果的关联，并按标签评估数据的可用性和复用性。

模型评估：支持偏好打标、专家打分、用户偏好收集等评估方式，并按标签产出评估结果，实现评估与打标数据的复用。

多利用能力强大的模型辅助工作：例如利用强大的模型进行数据过滤、自动打标、交叉复检、prompt的相似度计算、response质量对比、数据增强和模型评估等工作，提高数据工程的效率和质量。

四、后记

原则

如果没有高质量的数据，微调实操的意义不大。数据质量是决定微调效果的关键因素，即使采用最先进的微调技术，若没有高质量的数据支撑，也难以取得理想的效果。

不强调数据量的大小，但是数据质量一定要高。在数据工程中，应更加注重数据的质量而非数量，高质量的数据能够使模型更加有效地学习到所需的知识和模式。

通过以上对模型微调的全面介绍，相信读者已经对模型微调有了深入的理解。在实际应用中，需要根据具体的业务需求和场景，合理选择微调方法和数据处理方式，以实现模型性能的有效提升。