【小目标】
这一节点要回答：在基础模型之上，怎么用数据把模型调成"你产品的专属模型"。 价值在于——基础模型只擅长"通用应答"，不会你的领域口径、话术、格式与业务流程；微调是把模型从"通才"调成"懂你的专才"的路径入口。先想清楚"要不要微调"，再谈"怎么微调"。
【方法论】
先看一条"从零到专属"的训练谱系，微调只是其中一环：
预训练(海量语料学通用语言常识，资源重，多为厂商做)
↓
微调 SFT(用"指令-答案"标注数据，教它跟随指令/领域风格)
↓
对齐 RLHF/DPO(让输出符合人类偏好与安全底线)
↓
适配落地 PEFT/LoRA(在既有基座上加小增量，低资源适配) ← 产品侧最常做的一层
怎么读这张图：PEFT/LoRA 不是对齐之后又一步——它是实现"微调"这一环的省资源做法（所以常和 SFT 一起出现）。对产品实践，最常见的其实是"拿一个已对齐的开源基座，直接上 PEFT/LoRA 做小适配"。
选型第一逻辑：多数产品级适配，先用 RAG+提示词往往就够了，不必一上来就微调；只有 RAG/提示搞不定、或要深改行为/表达风格/领域术语时，才谈微调——判断标准看你要改的是"知识"（走 RAG）还是"说话风格/行为"（走微调）。
最容易混的一对——微调 vs RAG，务必分清：
| RAG（第四章） | 微调（本章） | |
|---|---|---|
| 改什么 | 改喂给模型的输入（临时注入外部知识） | 改模型整体权重（永久学进去） |
| 快慢 | 快、可随时更新 | 慢、更贵 |
| 适合 | 外部/私有/动态知识 | 改变表达风格、领域术语 |
| 结论 | 不是二选一，常结合用 |
【知识点】
- 谱系定位：预训练（学通用）→ 微调 SFT（学指令/风格）→ 对齐（学被接受）→ PEFT 落地（低资源适配）；厂商把多数能力与对齐做进了基础模型。
- 要不要微调是头号判断：RAG+提示够用就别微调；微调改"表达风格/领域术语"，RAG 改"喂的输入"——不冲突、常结合用。
【名词卡】
| 名词 | 一句话白话 |
|---|---|
| Fine-tuning｜微调 | 用数据在基础模型上继续调整权重，让它适配领域/任务；与 RAG 并列的两条主路之一。 |
| SFT｜监督微调 | 用"指令-答案"标注数据教模型跟随指令与领域风格，是产品调到自己的范围最常见手段。 |
| Alignment｜对齐 | 让模型输出符合人类偏好与安全底线（RLHF/DPO）。SFT 教"怎么做对"，对齐教"怎么做被接受"。 |
| RLHF｜人类反馈强化学习 | 用人类偏好训练奖励模型再调优生成；效果强但工程复杂。 |
| DPO｜直接偏好优化 | 绕开显式奖励模型、直接用偏好对优化生成，更简单稳定、更广被采用。 |
易混点：微调改"模型权重"（永久学进去）≠ RAG 改"喂的输入"（临时注入、快、可换）。
【练一练】
微观小实验（聚焦本节点，约 5 分钟）：做一次"要不要微调"的选型判断。
- 写下你产品里一个"想让模型答得好"的真实诉求。
- 套判断口径走一遍：需要"多快好省地加私有/动态知识"→ 走 RAG；还是要"改说话风格/术语/输出格式"→ 才谈微调。
- 验证：用一句话给判断落结论（如"这个场景该走 RAG，因为要的是动态知识"）。→ 练出"不盲目微调"的第一反应。