大模型技术全解析：预训练、微调与提示学习，一篇收藏就够了

最新推荐文章于 2025-11-02 18:38:34 发布

原创最新推荐文章于 2025-11-02 18:38:34 发布 · 695 阅读

14 ·

CC 4.0 BY-SA版权

文章标签：

#学习 #大模型应用 #人工智能 #AI大模型 #LLM #llama

Qwen3-VL-30B

图文对话

Qwen3-VL

Qwen3-VL是迄今为止 Qwen 系列中最强大的视觉-语言模型，这一代在各个方面都进行了全面升级：更优秀的文本理解和生成、更深入的视觉感知和推理、扩展的上下文长度、增强的空间和视频动态理解能力，以及更强的代理交互能力

本文系统解析大语言模型核心技术，从预训练策略、适配微调到提示学习方法，全面覆盖大模型开发全流程。无论是初学者还是专业开发者，都能通过本文掌握大模型架构设计、参数高效微调及提示工程等关键技术，快速提升AI应用开发能力。文中丰富的技术细节与实例分析，是学习大模型不可多得的参考资料。

大语言模型技术主要包括: 模型预训练、适配微调、提示学习、知识增强和工具学习等。

预训练

高效预训练策略。其主要思路是采用不同的策略以更低成本实现对语言大模型的预训练。

1）‌优化任务设计‌：在预训练阶段构建高效的优化目标，促使模型充分挖掘每个样本的监督信号，进而提升训练效率。

2）‌热启动机制‌：采用学习率线性递增的初始化方式，缓解因单纯扩大批处理规模而引发的优化困境。

3）‌分层渐进训练‌：突破传统统一超参数优化的框架，基于各层自注意力模式的相似性，先训练浅层模型再通过复制扩展至深层结构。

4）‌知识迁移技术‌：融合当前文本与已有预训练大模型的知识双重学习。实验表明，CPM-2应用该技术后，中文大模型预训练初期效率提升达37.5%。

5）‌可预测扩展（Predictable Scaling）‌：依托大小模型的同源特性，通过小模型性能曲线拟合预测大模型表现。

例如，OpenAI利用千分之一至万分之一计算资源的小模型，成功预判GPT-4部分性能，显著降低训练成本。

BERT 之后的 Transformer 架构在提高自然语言处理效率方面有两个重要优化方向:

(1)统一的序列建模

首先将多种自然语言处理任务(如分类、信息抽取、翻译、对话等)整合到一个统一的框架，然后在同一模型中执行多个任务，以实现更高效的自然语言处理。

1）一是转化为序列生成的统一任务，如 T5和 BART等将多种自然语言任务统一转化文本到文本的生成任务。

2）二是转化为语言大模型预训练任务，通过语言提示在输入文本中插入人类设计或者自动生成的上下文，实现对不同任务的处理。

(2)计算高效的模型架构。

从Transformer 模型架构本身在处理训练复杂度、编解码效率、训练稳定性、显存利用等方面进行优化。

例如，Transformer的并行处理机制牺牲了推理效率，其解码过程每一步的复杂度达到O(N)，同时该模型对显存需求极高，随着输入序列长度增加，内存消耗呈线性增长。

针对这一问题，微软推出的RetNet架构创新性地结合了线性化注意力与尺度保持（Retention）机制，在模型性能基本不变的前提下，显著提升了训练速度、推理效率并降低了内存占用。

混合专家化的模型架构

针对自注意力机制的高显存占用问题，斯坦福大学在Transformer模型中提出了FashAttention，该算法通过IO感知设计实现了高速计算与内存效率的平衡，现已被主流大模型广泛用于支持超长文本处理。

当前，模块化大模型架构成为研究热点，该方法基于神经激活的稀疏特性，将稠密模型分解为多个模块，使不同任务仅需激活部分模块即可完成训练与推理，显著提升效率。

代表性成果包括：Google的Switch Transformers与Pathways架构、清华大学的MoEfication架构及FastMoE架构等。

Switch Transformers模型架构

语言大模型的适配微调

语言大模型在通用领域的大规模预训练往往难以覆盖特定任务或领域的专业知识，因此需要通过微调进行适配。

微调能够使模型更精准地满足特定场景需求（例如处理医疗记录等敏感数据），且无需直接暴露原始数据。

同时，微调还能优化部署效率并降低计算资源消耗。在适配微调技术中，‌指令微调‌（Instruction Tuning）和‌参数高效学习‌是两大核心方法。

‌指令微调‌通过训练语言大模型使其具备理解并执行人类指令的能力，从而在零样本条件下泛化至新任务。

其学习框架虽与多任务提示微调类似，但本质差异在于：提示微调侧重调整提示以适应模型，而指令微调强调模型主动对齐人类指令，即在包含任务说明的提示下生成特定响应。

该技术的研究涵盖指令理解、指令数据构建及指令对齐等方向。

(1) 指令理解‌，即语言大模型能够精准解析人类语言指令，这是其有效执行任务的基础。

为提升指令理解能力，当前研究普遍采用多任务提示方法，通过在包含丰富指令描述的任务集合上对语言大模型进行微调（例如FLAN、InstructGPT等），这些模型在陌生任务中展现出卓越的零样本学习表现。

(2) 指令数据获取，指如何构建包含多样性的任务指令数据。指令数据构建常见有三种方式

基于公开人工标注数据构建，代表指令数据集包括 1616 种不同任务的 Super-Natural Instruction、2000种不同 NLP任务的 OPT-IML。
借助语言大模型的自动生成构建，如 Unnatural Instructions ，通过种子指令作为提示让语言大模型生成新的指令描述和问题，然后再输入到模型让其输出回答。
基于人工标注方法，如 ChatGPT 在人工标注指令的基础上通过 GPT-3、InstructGPT 等在线平台收集用户真实指令数据。

(3)指令对齐，语言大模型在多种自然语言处理任务上都展现了卓越的性能。然而，它们有时可能会出现不预期的行为，如创造虚假信息、追求错误目标或产生有偏见的内容。

问题的根源在于，语言大模型在预训练阶段仅依赖语言模型进行数据建模，未融入人类的价值观或偏好。

针对这一缺陷，学界引入“指令对齐”概念，旨在使模型输出更贴近人类需求。然而，这种对齐方式与传统预训练存在差异，其核心聚焦于提升输出的‌有用性‌、‌诚实性‌和‌无害性‌。

指令对齐可能削弱模型的部分通用性能，这种现象被定义为“Alignment Tax”。为促进模型输出与人类价值观的一致性，InstructGPT 开发了基于人类反馈的强化学习微调方法，将人工反馈直接整合至模型优化流程。

实践中，ChatGPT 同样沿用了类似InstructGPT 的技术路径，以保障生成内容的高质量与安全性。随着指令对齐技术的普及，微调范式正从传统的数据驱动学习逐步转向以人类反馈为核心的新范式。

参数高效微调(Parameter-Efficient Tuning)

早期以 BERT 为代表的微调方法，是在大模型基座上增加一个任务适配层，然后进行全参微调，但是这种方法存在两方面的问题:

1.一是任务"鸿沟”问题，预训练和微调之间的任务形式不一致，这种差别会显著影响知识迁移的效能。

2.二是高计算成本，语言大模型的参数规模不断增长，导致模型全参微调也需要大量计算资源。

解决以上问题的有效途径是参数高效学习，即通过仅微调少量参数实现大模型在下游任务上获得全参微调效果。

目前许多参数高效微调方法被提出，这些方法大致可分为3类：

(1) ‌添加式方法‌：通过在原模型中嵌入新增模块或参数，并仅对新增部分实施参数微调。

典型代表为适配器(Adapter)技术，其将轻量级神经模块（适配器）集成至预训练模型，仅训练这些适配器即可实现模型适配。

工程实践中，适配器模块常被部署于多头自注意力机制与前馈网络层之间，已成为主流解决方案。

(2) ‌指定式方法‌：明确设定模型中特定参数为可训练状态，其余参数保持冻结。

该方法兼具简洁性与高效性，例如仅激活模型偏置项进行优化而固定其他参数时，仍能达到超过95%的全参数微调效果。

(3) ‌重参数化方法‌：将原模型参数映射至低维空间，仅优化该空间中的近似参数，从而大幅减少计算资源与内存占用。

以LoRA为例，其通过将自注意力模块的权重变化分解为两个低秩矩阵的乘积实现参数压缩，即：

Prefix-Tuning

Prefix-Tuning 固定 PLM 的所有参数，只更新优化特定任务的 prefix。

因此，在生产部署时，只需要存储一个大型 PLM 的副本和一个学习到的特定任务的 prefix，每个下游任务只产生非常小的额外的计算和存储开销。

Full VS Emb-only

embedding-only表示只有在embedding层添加前缀token，而full表示每一层都添加前缀token。

实验表明: prefix-tuning>embedding-only>discrete prompting

Prifix VS Infix

prefix-tuning 表示可训练参数放在开头，infix-tuning 表示可训练token放在中间位置

结果表明: prefix-tuning>infix-tuning

Prompt-Tuning

Prompt-tuning可视为prefix-tuning的简化形式。

该方法保持预训练模型参数完全冻结，仅针对不同下游任务在输入文本前添加s个可训练的真实tokens（与prefix-tuning不同，此处tokens为实际文本内容），且不引入额外编码层或任务专属输出层。

一系列对比实验，都在说明: 随着预训练模型参数的增加，一切的问题都不是问题，最简单的设置也能达到极好的效果。

Prompt长度影响: 模型参数达到一定量级时，Prompt 长度为1也能达到不错的效果，Prompt长度为20就能达到极好效果。

Prompt初始化方式影响: Random Uniform方式明显弱于其他两种，但是当模型参数达到一定量级，这种差异也不复存在。

预训练的方式: LM Adaptation的方式效果好但是当模型达到一定规模，差异又几乎没有了。

微调步数影响: 模型参数较小时，步数越多，效果越好。同样随着模型参数达到一定规模，zeroshot 也能取得不错效果。

P-tuning-V1版本

P-Tuning 的方法思路与Prefix-Tuning非常相似，P-Tuning通过少量连续的embedding参数作为prompt来优化GPT在NLU任务上的表现，而Prefix-Tuning则是专门为NLG任务设计的。

此外，P-Tuning仅在embedding层引入额外参数（采用MLP+LSTM进行初始化），而Prefix-Tuning则在每一层都加入了可训练参数（采用MLP初始化）。

P-Tuning 提出将 Prompt 转换为可以学习的 Embedding 层，只是考虑到直接对 Embedding 参数进行优化会存在这样两个挑战：

Discretenes: 对输入正常语料的 Embedding 层已经经过预训练，而如果直接对输入的 prompt embedding 进行随机初始化训练，容易陷入局部最优。

Association: 没法捕捉到 prompt embedding 之间的相关关系。作者提出使用 MLP+LSTM 的方式对 prompt进行初始化处理。

P-tuning-V2版本

V2的思路和 prefix-tuning 相似，在模型的每一层都应用连续的 prompts 并对 prompts 参数进行更新优化。同时该方法是针对 NLU 任务优化和适配的。

LoRA

Adapter Tuning 在 PLM 基础上添加适配器层会引入额外的计算，带来推理延迟问题。

Prefix Tuning 难以优化，其性能随可训练参数规模非单调变化，更根本的是，为前缀保留部分序列长度必然会减少用于处理上下游任务的序列长度。

LoRA 论文提出了一种计算和存储高效的低秩(Low-Rank)表示方法，具体地Transformer等神经网络包含许多执行矩阵乘法的密集层，这些权重矩阵通常具有满秩。

QLoRA

可以认为是LoRA的升级版本，体现在：

NormalFloat4(NF4): 一种论文新提出的数据类型，对于正态分布权重而言信息理论上是最优的新数据类型; 可以简单认为是尽可能减少优化过程中数据精度损失的作用。
双重量化(Double Quantization): 通过量化常数来减少平均内存占用。
分页优化器(Paged Optimizers): 用于管理内存峰值。