做模型微调的朋友应该都经历过这个选择焦虑同一个模型全量微调、LoRA、QLoRA到底哪个适合我闭着眼选LoRA吧怕效果不够好省事选全量吧又怕显存直接爆掉。其实纠结的不只是这三者围绕“怎么用更少的资源把模型变成自己的”业界已经琢磨出不少路数从只改输入到只改部分层再到低秩旁路主流方案至少有六种。这篇文章就拿同一个例子把这六种微调方法掰开揉碎讲一遍讲清楚它们各自在调什么、省什么、亏什么最后再给你一个可以直接照着做的选择思路。先说结论没有绝对最好的微调方法只有最匹配你硬件资源、数据量、任务类型的方法。看完这篇你应该能判断什么时候该上全量微调什么时候用LoRA就够了什么时候QLoRA是唯一能让你在消费级显卡上跑起来的办法。1. 先搞清楚这六种微调方法到底在调什么1.1 微调的本质给通才补专业课大模型预训练出来的底座基本是一个“通才”。它懂得海量文本懂常识、懂语法也懂推理但它不一定懂你公司内部的业务话术不一定懂客服工单怎么写也不一定懂你特定领域的输出格式。微调的目的就是把这个“通才”变成“专才”。但怎么变有不同的路径。你可以让这个通才把之前的知识全部回炉重造也可以只让他记住特定任务的手册还可以给他配一个外挂小册子遇到问题才翻。不同路径需要的“重训成本”完全不一样。为了让你好理解后面所有方法我都用同一个场景假设你手上有一个预训练好的中文大模型你想把它调成一个“客服工单分类器”输入一段用户问题输出是“退换货”“物流”“发票”这三类中的一种。这是一个特别常见、也特别容易讲清楚的微调任务。1.2 为什么要分六种核心矛盾是算力和效果如果你手里有上万张A100那根本不用纠结全量微调永远是最直接、上限最高的方式。但现实中更多人只有一张24GB的消费级显卡甚至只有一块8GB的显卡还想微调7B甚至更大的模型。这时候就要靠各种“参数高效微调”Parameter-Efficient Fine-TuningPEFT方法来撑场面。不同方法的核心差异只在于一点你实际更新多少参数、更新哪部分参数、用的什么方式去表达更新。围绕这个差异我把目前的常用方案整理成六种全量微调所有参数都更新。冻结微调只更新最后输出层或最后几层。Adapter Tuning在Transformer层里插入小模块只训练这些模块。LoRA冻结原权重在旁边训练两个小矩阵来模拟权重变化。QLoRA先把原权重极端压缩再用LoRA方式训练。Prompt-Tuning / Prefix-Tuning干脆不动模型权重只调整输入提示和隐藏状态。这六种方法在更新参数量、显存占用、训练速度、最终效果四个维度上各有取舍。下面逐个拆。2. 六种微调方法逐个拆解全用同一个例子2.1 全量微调让所有员工回炉重造全量微调的实现路径最直接。预训练模型的每一层权重包括attention层、feed-forward层、embedding层、输出层全部参与反向传播全部更新。还是那个客服工单任务模型会整体重新学习一批业务语料所有内部表征都会往“客服领域”偏。听起来很完美但代价相当大。我们用一个7B模型举例假设以BF16精度训练。7B参数光是权重就要占7B乘以2字节约14GB。全量微调还需要保存梯度梯度的体积和权重一样大又是14GB。再加上Adam优化器状态一般每个参数要额外维护一阶动量、二阶动量按8字节算7B又需要56GB。光这三项就已经84GB了还没算前向传播过程中保存下来的激活值。激活值根据批次大小和序列长度浮动可能又是几十GB。所以7B模型全量微调实打实需要多卡大显存单张消费级显卡基本没戏。全量微调的好处是容错空间大只要数据质量在线它总能找到最贴合任务的参数形态。但问题也明显成本高关键是容易在中小数据集上过拟合。很多团队拿着几千条业务数据去做全量微调常见结果是训练集loss降得极快评估集上反而一塌糊涂。因为模型容量太大数据量不够的时候它把训练集的噪声都背下来了。所以我的判断标准很简单——只有当你数据量足够大至少几万条高质量数据且任务和预训练分布差异很大时才值得考虑全量微调。2.2 冻结微调只动最后那几层冻结微调的特点是“只培训员工背诵公司流程不改变他的知识体系”。具体操作上把预训练模型的主干网络backbone全部冻结不计算梯度只训练最后的分类头或者最顶层的两三层。还是客服工单分类任务。用BERT这类编码器模型做分类时最常见的方法就是把BERT的12层Transformer全部冻结只训练最后接出来的那个线性分类层。因为你只是想把语义表示映射到三个类别上而BERT本身提取语义的能力已经够用了。这种情况下冻结微调的参数量可能不到0.5%训练速度很快显存需求也低一张老显卡就能跑。但冻结微调有个先天缺陷如果任务要求模型调整内部语义理解而不是简单的映射关系效果就会比较差。比如你想让模型学会一套全新的“客户情绪识别逻辑”这个能力必须靠调整深层表征才能获得光训练最后几层是做不到的。对中小模型来说冻结微调的上限较低对大模型来说只改输出层又有点浪费底座能力。所以冻结微调更适合任务本身和预训练分布接近、输出层需要重新映射的场景。比如分类、抽取这类判别式任务小模型用这种方法性价比最高。2.3 Adapter Tuning在Transformer里插个小盒子Adapter的思路和冻结微调、全量微调都不同。它不是在原有权重上做文章而是在Transformer每一层通常是attention和FFN之后插入一个“小瓶颈模块”。这个模块一般长这样先把向量从768维压到64维经过激活函数再还原到768维。训练的时候预训练模型原始权重全部冻结只更新这些Adapter模块的参数。为什么这么设计它相当于给员工在工位上放了一个“知识抽屉”遇到本公司业务时打开抽屉翻资料遇到通用问题时还是用原脑子的常识。多任务场景下每个任务训练一套Adapter共用同一个底座部署时按任务加载不同抽屉非常灵活。Adapter的核心优势是参数量小通常是单层模型参数的1%到3%但它的训练显存不一定比LoRA低。因为虽然可训练参数少但反向传播时仍然需要保存网络各层的激活值这部分显存开销按完整模型大小走。而且Adapter在推理时会有额外的层计算增加推理延迟。所以它在工业界有一定地位但在消费级单卡上反而没有LoRA流行。如果你做的是多任务学习希望一套底座同时服务多个业务Adapter的隔离性是最好的。但如果你只想快速调一个大模型给你自己用Adapter不是最优先的选择。2.4 LoRA给模型接一条低秩旁路LoRA是目前最主流的轻量微调方案它的原理值得多说几句。假设预训练模型的权重矩阵是W正常微调时我们会得到一个权重变化量ΔW最终推理时使用W ΔW。ΔW的大小和W完全一样。对于7B模型光是令居理智的记忆容量就非常恐怖。LoRA想了个取巧的办法把ΔW拆成两个小矩阵的乘积。这就是低秩分解。如果W是d×d的方阵ΔW也是d×d那我们可以把ΔW近似为A×B其中A是d×rB是r×d。这里的r是我们选的秩rank取值通常只有8、16、32比d小得多。比如d4096r8时新增参数量从4096×4096约等于1678万个参数变成4096×8 8×4096等于6.5万个左右直接省了260倍。训练时原始权重W被冻结不计算梯度只更新A和B。推理时把原权重和高秩旁路的合并结果一起使用不会增加额外延迟。所以LoRA在保持效果的前提下把可训练参数量压到了0.1%到1%。回到客服工单分类的例子。你只需要在模型的q_proj、v_proj这些投影层旁边加上LoRA旁路训练数据依然是完整的数据集但是需要更新的参数只有几千万个级别。7B模型在单张24GB显卡上用LoRA基本可以跑起来如果是4bit量化配合LoRA显存需求还能进一步压低这就是QLoRA。LoRA的效果不是玄学它在很多任务上已经证明能接近全量微调的效果尤其是在中低数据量场景下泛化能力甚至比全量微调更好。因为它限制了参数更新的自由度天然起到正则化作用。当然它也有自己的脾气比如rank大小、加在哪些层上这些对结果影响不小后面我会专门说。2.5 QLoRA先把模型压扁再接线QLoRA的全称是Quantized LoRA本质是把“模型量化”和“LoRA”组合在一起。它解决的痛点很明确就算LoRA只训练少量参数可前向推理时加载的原始模型还是全精度显存照样下不来。于是QLoRA做了三件事。第一把模型权重用4bit量化保存。具体用了NF44-bit NormalFloat这种适配正态分布权重的量化格式让每个权重只占4bit7B模型从约14GB降到约3.5GB。第二做了双重量化把量化常数再量化一次进一步压缩内存。第三使用分页优化器让GPU显存不够时自动把优化器状态换到CPU内存避免直接OOM。因为有这些操作QLoRA训练时前向和反向传播都基于4bit基座模型LoRA旁路则以更高精度的方式更新。最终效果非常惊人8GB显存就能跑7B模型的微调16GB甚至能折腾13B模型。对只有一张游戏显卡的开发者来说QLoRA直接打开了新世界。但QLoRA不是没有代价。首先训练速度通常比LoRA慢一些因为每次计算需要反量化其次4bit量化会带来一定精度损失尤其在高rank需求的任务上效果可能不如LoRA再有如果显存刚好卡在临界点分页优化器频繁换页会拖慢迭代速度。所以我认为QLoRA是低显存场景的救星但不是默认最优解。如果你的显存能从容跑LoRA就优先考虑LoRA只有实在装不下模型了再上QLoRA。2.6 Prompt-Tuning / Prefix-Tuning不调权重调输入严格来说这不算传统意义的“微调权重”但它是PEFT家族里很实用的一支。Prompt-Tuning的思路是不修改模型内部任何参数只在输入序列的最前面加上一组“可学习的特殊token”。这些token有初始值训练过程中不断更新。模型本身冻结更新的只是这组特殊token的表示。比如你的任务还是客服工单分类。原本输入是“我买的衣服没发货”模型不知道该输出什么格式。但如果你在输入前面拼接一组可学习的提示向量“请将下面问题分类为退换货/物流/发票”模型就更容易输出三类标签。关键是这个提示不是人写的固定文字而是模型通过数据学出来的软提示。Prefix-Tuning则在每层的Transformer隐藏状态前面都插入一组前缀向量参与每一层的注意力运算。相比Prompt-Tuning它调整的表达空间更大模型能更“深层”地受引导但参数和显存开销也更多。这类方法最大的优点是极省显存甚至可以在单张显卡上完成大模型适配但效果稳定性一般。对简单分类任务、结构化输出任务效果不错但如果你想微调一个模型让它具备复杂的对话能力Prompt-Tuning基本不够用。它更适合被当作“最后一块拼图”或者用在数据特别少、只是想快速引导模型输出格式的场景。3. 怎么选一张表帮你做决定3.1 六种方法的核心参数对比很多朋友看完原理后最想要的是一个能直接抄作业的判断框架。我先把六种方法的核心参数汇总成一张表再展开讲具体选择依据。微调方法更新参数量占比显存占用训练速度效果上限典型适用场景全量微调100%极高7B需80GB以上慢最高数据量大、资源充足、任务差异大冻结微调常低于1%中低快较低分类/回归任务小模型Adapter1%-3%中中中高多任务并行、模型即插即用LoRA0.1%-1%中24GB可跑7B中接近全量单卡微调大模型大多数场景QLoRA0.1%-1%低8GB可跑7B中慢中高显存有限、消费级显卡Prompt/Prefix通常小于0.1%极低快取决于任务简单分类、结构输出、快速引导表格里的“效果上限”只是一个大致方向实际效果极度依赖数据质量和任务类型。比如有些任务本身很轻量冻结微调的效果就能媲美全量微调而有些复杂的生成式任务Prompt-Tuning怎么调都突破不了上限。所以理解原理比记住表格更重要。3.2 我的选择习惯按硬件和数据量走先看硬件。如果你手上的显存只有8GB就不要纠结全量微调还是LoRA了QLoRA是现实选择。如果你有24GB显存7B模型可以直接LoRA13B模型可以上QLoRA32GB-48GB之间LoRA跑30B也够了。只有当你拥有多张高端卡并且训练数据超过几万条时才认真考虑全量微调。再看数据量。数据量越少越不适合全量微调。我们之前做过一次7B模型的客服意图分类测试训练集5000条时LoRA和全量微调的效果几乎持平LoRA的评估集准确率甚至略高训练集达到5万条时全量微调才逐渐拉开差距。原因仍然是过拟合模型参数越多同样数据下越容易死记硬背。最后看任务差异。如果你的任务仅仅是换一种输出格式比如把一段话提取成JSONPrompt-Tuning可能就够了如果想让模型学会一个新的专业领域比如医疗问答、法律解释LoRA或QLoRA更有保证如果想让模型连基础的世界观和表达习惯都改变比如从一个通用助手改成固定风格的小说家那就需要接近全量微调的方案。综合来看我现在的选择习惯很简单默认套LoRA显存不够套QLoRA任务特别轻套Prompt-Tuning数据量大且资源充足才套全量微调。这个习惯帮我避免了大部分无效投入。4. 实操中的常见问题与排查技巧4.1 显存不足、Loss不降多半是配置没跟上实际操作中最常见的问题是“为什么我按教程设置了显卡还是OOM”。这里有一个容易被忽略的点可训练参数少不等于激活值少。LoRA虽然只更新旁路但前向传播仍然走完整模型每一层的中间激活值都要占显存。如果序列长度太长、batch size太大照样爆显存。遇到OOM第一优先级是降低batch size第二优先级是缩短序列长度第三优先级是开启梯度累积。梯度累积不会减少激活值但可以通过多次小batch模拟大batch效果。另外用LoRA时可以考虑把target_modules从全部投影层减少到只加q_proj和v_proj这样能减少一些计算量也能略微降低显存压力。还有的朋友训练时发现loss原地踏步怎么调都不降。这通常不是模型问题而是数据格式问题。比如分类任务里标签没有对齐或者提示词模板写得不清晰模型根本不知道你想让它干什么。建议先把训练集缩小到几十条跑一个步长试试能不能记住如果几十条都记不住再排查数据格式和学习率。4.2 LoRA的rank和target_modules怎么设才算合理LoRA有两个超参数最容易纠结rankr和alpha。rank决定了旁路的表达能力rank越大能拟合的权重变化越复杂但参数量和过拟合风险也增加。我的经验是分类任务用r8到16生成任务用r16到32特殊领域需要更多记忆时可以尝试64。不要一上来就复制别人的rank值不同模型、不同任务的最优rank差别很大。alpha是缩放系数一般按照alpha 2×rank来设置。比如你选了r16alpha设为32。原理上缩放系数控制旁路对原权重的影响幅度。如果alpha调得太大训练初期可能震荡调得太小旁路几乎不起作用。实际调试时我习惯先保持2倍关系如果效果差再单独调alpha但幅度不要超过4倍。target_modules的选择也有讲究。默认情况下很多人喜欢加在q_proj、v_proj或者所有attention层。如果你想更激进一点可以把feed-forward层也加上通常能提升表达力但训练参数和显存也会上去。我的习惯是先只加attention层跑通流程再根据loss下降速度决定是否扩展到全部线性层。不要试图一次性堆满否则排查问题会很痛苦。4.3 QLoRA慢、精度损失怎么优化QLoRA最常被吐槽的是训练速度慢尤其是4bit反量化带来的开销。如果好奇速度差异可以对比一下同样一张24GB显卡LoRA跑7B模型每秒处理tokens数通常比QLoRA快30%以上。所以在显存允许的情况下优先LoRA别为了面子硬上QLoRA。如果必须用QLoRA可以通过以下方式提速第一使用新版本的bitsandbytes和transformers库量化内核优化差距明显第二打开flash attention这能减少显存读写显著提升训练吞吐第三如果显卡支持BF16优先用BF16而不是FP16避免精度溢出导致训练不稳定。关于量化精度损失一个折腾过很多次的建议是不要把NF4量化应用于所有任务。比如一个对数字敏感的任务金融领域4bit量化后模型记忆能力下降比较严重这时候可以尝试“8bit LoRA”的折中方案参数量比4bit多一倍但比全精度还是省很多效果往往更稳。4.4 数据量少、过拟合怎么保护轻量微调方法虽然比全量微调更抗过拟合但数据量极少几百条时仍然会出现“训练集表现很好、测试集乱答”的情况。我自己踩过几次坑之后总结了几个有效方法。第一加LoRA dropout通常设置0.05到0.1。平时大家可能不重视dropout但在小数据下它是很便宜的正则化手段。第二用早停法不要贪训练步数。我的习惯是看评估集loss如果连续两三个epoch不下降就果断停止继续训练只会让测试集更差。第三如果任务允许做数据增强把客服问题里的同义词替换、句式变换能给模型补充不少泛化能力。还有一个容易被忽视的技巧训练时保留底座的通用能力。在Loss函数上适当加上原始模型的输出一致性约束让LoRA不只是学习新任务还尽量不要忘记旧知识。PEFT库中有一些正则化策略可以做到这点但最简单的做法是控制学习率不要一开始就冲向新任务。学习率从2e-4到5e-5逐步尝试越小越稳定但收敛也越慢。实际调参时我一般先跑100步观察loss下降曲线如果下降太慢再翻倍如果震荡太大就减半。最后说一个真实体会微调方法的选择很多时候不是技术问题是心态问题。全量微调听起来高级但如果你只有一张几千块的显卡QLoRA才是让你把想法做出来的关键。我个人现在跑项目默认从QLoRA或LoRA起步先把数据流程跑通再用小规模实验对比效果最后再决定要不要升级到更重的方法。这样既省算力也能避免一开始就陷在“选择困难”里出不来。