还在卷大模型！下一个风口其实是大模型二次开发和微调！-优快云博客

本文介绍了近期流行的开源大语言模型及其微调方法，特别是PEFT技术，如P-tuning和Adapter，以及LoRA的低秩适应性。清华大学的青山老师分享了高效参数微调的课程，涵盖了任务特定的P-tuning、任务/模型无关的LORA和Peft库实践。同时，文章讨论了如何发表大模型微调相关论文，并提供了丰富的资源福利。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

最近出现了一系列令人激动的开源大语言模型，如meta的LLaMA、清华的ChatGLM等。伴随大模型一起爆火的，还有大模型的微调方法。然而随着模型规模和任务数量的增加，对整个Transformer模型进行微调也变得越来越昂贵。因此，很多参数高效微调方法（Parameter-Efficient Fine-Tuning，PEFT）方法被提出来解决这类问题。

免费扫描参与课程（附老师ppt原稿&100+大模型论文）
领99个大模型微调模型/数据/工具

（文末有福利）

导师推荐100+大模型论文合集

我们邀请了清华大学博士，AI顶会审稿人青山老师为大家带来——惊艳的大模型高效参数微调法！来和大家聊一聊有关大模型微调的方法、未来趋势及创新点！

免费扫描参与课程（附老师ppt原稿&100+大模型论文）
领99个大模型微调模型/数据/工具

（文末有福利）

讲师介绍—青山老师

▪️研究领域：工业故障诊断、医学图像分割、医学多模态问答、不平衡学习、小样本学习、开集学习和可解释性深度学习等。

▪️共发表20余篇SCI国际期刊和EI会议论文，包括一区期刊IEEE Transactions on Industrial Informatics (影响因子11.648)，Applied Soft Computing (影响因子8.263)，Neurocomputing (影响因子5.779)， ISA Transactions (影响因子5.911)，Journal of Intelligent Manufacturing (影响因子7.136) 等。论文引用200+。

▪️长期担任人工智能顶级会议AAAI等审稿人， Neurocomputing，Expert Systems with Applications等国际顶级期刊审稿人。

【课程大纲】

第1节：大模型微调-任务特定的P-tuning

1. 端到端微调的挑战和限制

2. P-tuning 的基本思想与步骤

3. P-tuning 在自然语言处理任务上的实际应用

第2节：大模型微调-任务/模型无关的LORA

1. 各个领域预训练模型和微调概念的介绍

2. LoRA 微调的关键思想和方法

3. LoRA 在计算机视觉领域中的实际应用案例

第3节：大模型微调方法-Peft库使用实践（实战篇）

1. 使用P-tuning微调ChatGLM

2. 使用LoRA微调Blip

3. 参数高效的微调方法未来的发展趋势、热点预测

Prefix-tuning和P-tuning通过引导模型生成过程，使模型能够更准确地满足任务需求。

Adapter技术通过添加轻量级的适配器层，实现了快速的任务适应和灵活性。

Low-Rank Adaptation（LoRA）通过低秩近似减少模型参数量，提高模型的效率和部署可行性。

REcurrent ADaption（READ）在保持较高质量模型微调效果的同时，可以节省56％的训练显存消耗和84％的GPU使用量。

免费领99个微调数据/模型/工具

▪️58个开源的微调数据
▪️18个开源垂直微调模型
▪️23个开源的指令微调与强化工具

（文末有福利）

PEFT 方法可以分为三类，不同的方法对 PLM 的不同部分进行下游任务的适配：

Prefix/Prompt-Tuning ：在模型的输入或隐层添加 k 个额外可训练的前缀 tokens（这些前缀是连续的伪 tokens，不对应真实的 tokens），只训练这些前缀参数；
Adapter-Tuning ：将较小的神经网络层或模块插入预训练模型的每一层，这些新插入的神经模块称为 adapter（适配器），下游任务微调时也只训练这些适配器参数；
LoRA ：通过学习小参数的低秩矩阵来近似模型权重矩阵 W 的参数更新，训练时只优化低秩矩阵参数。