大模型微调技术纵览：从全参微调到对齐方法的实践思考
一年间，大模型微调技术快速迭代：LoRA、QLoRA、AdaLoRA、量化、Flash Attention、KTO、PPO、DPO……新方法几乎每天涌现。作为算法工程师，不被落下就要深入原理。这里记录我对核心技术的整理与思考。
大模型基础
大模型早已不是实验室里的玩具，行业应用遍地开花。我日常关注Hugging Face的模型库、transformers库的更新，还有DeepSpeed、vLLM这些支撑高效训练和推理的工具。开源项目像LLaMA、ChatGLM让小型团队也有了复现和改进的可能。
大模型原理
大模型本质上是通过海量数据预训练出来的语言概率分布建模。预训练 + 微调 + 对齐构成了主流范式。关键节点：从BERT到GPT系列，再到LLaMA，规模膨胀的同时，数据清洗的重要性不断上升。训练这样规模的模型需要成百上千块GPU，所以基础设施（如分布式策略、混合精度）是落地的基础。
Transformer 模型原理剖析
Transformer的核心是自注意力。每个token通过Q、K、V三个矩阵动态计算上下文关联。Multi-Head Attention把注意力的'视角'分成多个，能捕捉不同子空间的特征。位置编码告知序列顺序，从原始的正弦编码到RoPE，后者被LLaMA等模型采用，能自然处理外推长度。分词器也很重要：BPE tokenizer 和 SentencePiece 影响词汇表的覆盖与效率。
训练时，前馈网络、层归一化和残差连接保证了深层可训性。优化上，学习率调度（warmup + cosine decay），正则化（dropout、weight decay）是标准配置；生成时结合beam search、top-k、top-p采样等策略。
全量微调和高效微调
全量微调直接更新所有参数，但计算成本太高。高效微调（Parameter-Efficient Fine-Tuning，PEFT）只更新少量参数，成为主流。常见策略：适配器（Adapter）、前缀微调（Prefix Tuning），以及后来一统江湖的LoRA。我个人的选择是，能在单卡上跑的高效方法优先，除非性能差距无法接受才考虑全量微调。
GPT 与 LLaMA 家族模型剖析
GPT系列从GPT-1到GPT-4，逐步显示了规模的力量。InstructGPT通过指令微调和人类反馈对齐，让模型更听话，但也暴露出幻觉和偏见问题。LLaMA则以相对较小的参数取得不错性能，开源后衍生出许多微调版本，它的架构创新（如RoPE、SwiGLU激活）也影响了后续模型。国内ChatGLM和Baichuan在中文场景表现优异，架构上分别采用prefix LM和标准自回归，各有迭代路径。
指令微调之 LoRA
指令微调让模型理解以'指令'格式给出的任务，相比传统微调，泛化性更好。LoRA的假设是微调时的权重更新矩阵是低秩的，因此可以分解为两个小矩阵相乘，只更新这些小矩阵，大幅减少参数量。实际使用中，秩r取8或16往往效果就不错。
矩阵知识基础：特征值分解、SVD是理解LoRA的关键。LoRA实现简单，源码解读可以参考Hugging Face的PEFT库。数据方面，Alpaca项目展示了如何用ChatGPT生成指令数据；AdaLoRA动态调整不同层的秩，进一步节省计算。Vicuna利用用户共享对话进行微调，效果突出。
量化与压缩技术
推理时模型太大怎么办？量化把浮点参数映射到低精度，比如4-bit。QLoRA将量化与LoRA结合，让微调也能在4-bit模型上进行，几乎不损精度。具体技术：4-bit NormalFloat、双重量化（double quantization）等。模型压缩还包括剪枝、蒸馏。ZeroQuant是专为Transformer设计的训练后量化方案，SmoothQuant则通过平滑激活值量化减小误差。
大模型对齐之 RLHF
RLHF让模型对齐人类偏好。从InstructGPT到ChatGPT，PPO算法在其中扮演核心角色。PPO通过裁剪目标函数稳定策略更新，同时利用KL散度惩罚偏离原始模型的分布。广义优势估计（GAE）减少方差，重要性采样处理离线数据。人类反馈形式多样：标记、偏好排序、指导。整个RLHF流程需要收集人工反馈数据，并用强化学习方法微调。
大模型对齐之 DPO
DPO直接优化偏好，不需要显式训练奖励模型，比RLHF简单稳定。它把偏好排序问题转化为二元分类损失，直接基于偏好对调整模型。相比PPO，DPO训练更收敛，实现更轻量。我在实验中感觉，DPO在数据质量高时能快速对齐，但处理复杂偏好可能需要更多技巧。
其他微调技术
Prefix Tuning 在输入前拼接可训练向量；Adapter Tuning 在Transformer层间插入小模块。Flash Attention 通过块计算和重算法减少显存读写，Flash Attention 2 进一步优化，成为长序列训练标配。KTO 无需偏好对，只需单一结果的正负反馈，在偏好数据难获取时很实用。
大模型增量学习
大模型持续面临新数据，增量学习要避免遗忘。灾难性遗忘可以通过正则化（如EWC）、动态扩展网络或元学习缓解。实践中，通用数据与垂直数据混合训练是常用妥协。多模态、跨领域增量学习还待探索，自适应学习和在线学习也是方向。
