【小目标】
确定要微调之后，先要回答"调多深"：是把模型的所有参数整体重训（全参），还是只动一小块"增量参数"（PEFT）？这一节点就是在两者之间帮你做选择——选错会白烧算力，选对则又省、又快、还好回滚。
【方法论】
两条路线的取舍逻辑：
- 全参微调（Full Fine-Tuning）：所有参数整体重训。效果上限高，但成本高（显存/算力/存储），且风险大——整体重调易发生灾难性遗忘（变笨、产生不可控偏移）。
- 参数高效微调（PEFT）：只动一小块"增量参数"。参数量小、见效快、易回滚、可多版本并存——对领域风格、输出格式、特定话术这类多数适配需求，往往绰绰有余。
实现要点与边界：默认从 PEFT 起步；只有需要深度改变模型行为、或对质量与手上数据都有把握时，才考虑全参。无论哪条，微调后必须用评测兜底防变笨（评测做法见第六章）。
【知识点】
- 选型口诀：能用 PEFT 就别全参——多数适配需求 PEFT 绰绰有余。
- 安全底线：微调后不评测=白做；全参尤其易"灾难性遗忘"，要用评测前后对比防退化。
【名词卡】
| 名词 | 一句话白话 |
|---|---|
| Full Fine-tuning｜全参微调 | 把模型全部参数整体再训；效果上限高但贵、易"灾难性遗忘"、难回滚。 |
| PEFT｜参数高效微调 | 只训练一小块增量参数的总称；成本低、见效快、易回滚、可多版本并存。 |
| Catastrophic Forgetting｜灾难性遗忘 | 微调时把模型原本学会的能力"忘掉/变笨"；全参尤易发生，须评测前后对比防退化。 |
| Adapter / 增量参数 | PEFT 里额外加入、只被单独训练的小块参数（LoRA 的低秩增量即其一）。 |
易混点：全参（调所有参数）≠ PEFT（只调增量参数）。
【练一练】
微观小实验（聚焦本节点，约 5 分钟）：给"选 PEFT 还是全参"做一次快速取舍演练。
- 拿一个具体的适配目标（如"让客服话术更礼貌、带固定格式"）。
- 用两条路线的特征各给一次判断：要不要动到"模型已学会的世界知识"？要不要"深度改变行为"？
- 验证：用一句话说清为何这类诉求 PEFT 足够、不必全参。