---
title: "微調（Fine-tuning）"
slug: fine-tuning
language: zh-TW
source: https://aiterms.tw/terms/fine-tuning
updated_at: 2026-07-29
tags: [遷移學習, 模型訓練, 深度學習, AI應用]
ipas_term: true
---

# 微調（Fine-tuning）

> **你有沒有一個已經很會做事的模型，只想把它教成更懂你的版本？**
>
> 你可以把微調想成拿現成能力再訓練一小段，讓模型更適合某個特定任務或語境。
>
> 它重要，是因為從頭訓練很花時間和資料，微調通常能用更少成本把通用能力變成可用能力。
>
> 你可以把它想成一個把抽象概念拉回日常判斷的提示，先知道它解決什麼問題，再看技術細節。

### 容易混淆
> **微調 vs 從頭訓練**
> 從頭訓練是重新學一整套能力。
> 微調是站在既有模型上，往目標任務再調整。
>
> **微調 vs 提示工程**
> 提示工程是用文字引導模型。
> 微調是真的改模型參數，影響更深也更持久。

### 記住這句就好
> 不是重練一個新模型，而是把舊模型調得更合用。

### 實際案例
> **客服機器人**
> 先有一個通用語言模型，再用公司對話資料微調，回答就會更貼近品牌說法。
>
> **醫療文本分類**
> 先用通用模型，再用醫療標註資料微調，專業名詞與分類邏輯通常會更準。

### 算法與應用
> 微調會沿用預訓練模型的表示能力，再用較小資料集更新部分或全部權重。
> 在大型語言模型、影像模型和多模態模型裡，微調都是很常見的落地方法。

### iPAS 考題
> **Q：微調的核心目的是什麼？**
> → 讓已經學過大規模資料的模型，適應新的任務或領域資料。
>
> **Q：微調和提示工程差在哪裡？**
> → 提示工程是改輸入說法，微調是改模型本身。

### 中英對照與常見說法

| 說法 | 出現場合 |
| --- | --- |
| 微調 | 台灣與中國大陸通用譯名 |
| 微调 | 簡體寫法 |
| Fine-Tuning | 英文原名 |
| 精調、細調 | 少見變體 |
| 指令微調（instruction tuning）、監督式微調（SFT） | 大型語言模型脈絡下的特定形式 |

### 跟預訓練的差別，這是最常考的一組

| | 預訓練（pre-training） | 微調（fine-tuning） |
| --- | --- | --- |
| 資料 | 大量無標註的通用資料 | 少量有標註的特定任務資料 |
| 目標 | 學通用的語言或視覺表示 | 讓模型適應特定任務或領域 |
| 成本 | 極高，通常只有大型機構做得起 | 相對低，單機或少量機器可行 |
| 誰做 | 模型提供者 | 使用者 |
| 順序 | 先 | 後 |

> 一句話的區別：**預訓練學的是通識，微調學的是專業。**
>
> 考題常見的問法是「先用大量通用資料訓練，再用少量特定資料調整」對應到哪個階段組合，答案就是預訓練加微調。

### 微調、提示工程、檢索增強，怎麼選

| 手段 | 適合解決 | 不適合 |
| --- | --- | --- |
| 提示工程 | 調整輸出格式、語氣、簡單任務 | 教模型不知道的知識 |
| 檢索增強（RAG） | 補充會變動的、大量的事實知識 | 改變模型的行為風格 |
| 微調 | 固定的輸出格式、特定領域語氣、壓縮提示長度 | 灌入大量新事實，容易記錯又難更新 |

> **最常見的誤用是拿微調當作灌知識的手段。** 要讓模型知道公司的產品規格，正確做法幾乎都是檢索增強而不是微調：資料一改就要重訓、模型可能記成模糊的印象、而且無法標出出處。
>
> 微調真正的強項是**行為與格式**：讓模型每次都輸出合乎規格的 JSON、讓它用特定的專業語氣、或把一段很長的系統提示壓縮進權重裡以節省每次呼叫的成本。

### 參數高效微調

> 全參數微調要更新所有權重，記憶體需求大且每個任務都得存一份完整模型。**LoRA** 這類參數高效微調（PEFT）的做法是凍結原模型，只訓練少量額外的低秩矩陣，可訓練參數常常不到全部的百分之一，效果卻接近全參數微調，而且多個任務可以共用同一個底模只換掛載的小模組。
>
> 微調最常見的失敗是**災難性遺忘**：學會新任務卻把原本的通用能力弄壞了。對策是降低學習率、混入一部分通用資料、或改用參數高效微調把原權重凍住。

### 情境判斷
> **Q1：如果你已經有一個大模型，只差讓它更懂公司文件，微調適合嗎？**
> → 適合，因為你要的是領域適配，不是重做一個新模型。
>
> **Q2：如果資料量超少，微調一定比提示工程好嗎？**
> → 不一定，資料太少時，提示工程可能更快更省，是否微調要看情況。

### 常見問題
> **Q：微調會不會把原本能力弄壞？**
> 有可能，若資料太窄或訓練方式不當，模型可能偏掉。
>
> **Q：一定要全部參數都更新嗎？**
> 不一定，實務上也常只更新部分層或參數高效率方法。
>
> **Q：微調只適合語言模型嗎？**
> 不只，影像、語音和推薦模型也常微調。
>
> **Q：微調就是少樣本學習嗎？**
> 不是，但兩者常搭配使用，少樣本提供少量資料，微調負責把模型往目標拉。

### 相關術語
> - **少樣本學習**：常和微調一起出現，但重點不同。
> - **大型語言模型**：很多微調都是在它上面做。
> - **提示工程**：先看它，能幫你判斷何時不用微調。
> - **深度學習**：微調本質上就是沿用深度模型再適配。
> - **機器學習**：理解它，才能知道微調在整個流程裡的位置。

---

來源：https://aiterms.tw/terms/fine-tuning
快查頁：https://aiterms.tw/terms/fine-tuning
最後更新：2026/07/29
深度解說：https://aiterms.tw/learning/what-is-fine-tuning