本次查询：PEFT
中文解释：参数高效微调
常见场景：当需要针对特定任务（如客服问答 / 代码生成 / 风格化写作）或私有数据（如企业内部文档）对已有的大语言模型（如LLaMA / ChatGLM）进行定制化调整 / 但又受限于计算资源（如单张消费级显卡）或希望快速实验时
一句话解释
PEFT（参数高效微调）是一种“四两拨千斤”的技术，它允许我们只用改动大模型中极少一部分参数（通常不到1%），就能让它学会新任务，而无需重新训练整个庞然大物。
为什么会被关注
随着模型参数规模突破千亿，全参数微调的成本变得极其高昂，需要庞大的GPU集群和数天时间，普通开发者和小型企业根本无法承担。PEFT技术的出现，使得在单张消费级显卡上，用几个小时和少量数据定制一个大模型成为现实，极大地 democratize（民主化）了大模型的应用能力。
核心逻辑
PEFT的核心思想是“冻结大部分，只动小部分”。它假设预训练大模型已经学习了丰富的通用知识，微调时只需对其内部知识进行小幅“引导”或“重组”。具体实现上，它通常通过在模型内部插入小型可训练模块（如LoRA的秩分解矩阵），或为输入添加可学习的提示前缀（Prefix Tuning），来让模型适应新任务，而原始模型的绝大部分权重保持冻结不变。
常见场景
1. 领域适配：用医疗文献微调模型，打造专业医疗助手；用法律条文微调，生成合规文书。
2. 任务定制：让通用聊天模型学会写诗、生成特定风格的文案或进行代码审查。
3. 轻量化部署：微调后只需保存和加载新增的极小参数文件（如LoRA权重），极大节省存储和传输成本。
4. 多任务学习：为同一个基础模型附加多个不同的PEFT模块，快速切换不同技能，避免“灾难性遗忘”。
容易混淆的点
PEFT ≠ LoRA：LoRA是PEFT最流行的一种具体实现方法，但PEFT是一个更广泛的技术范畴，还包括Adapter、Prefix Tuning等多种方法。
PEFT vs. 提示工程：两者都旨在引导模型输出，但提示工程不改变模型任何参数，只在输入文本上做文章；PEFT则会轻微调整模型内部参数，通常效果更强、更稳定，但需要训练过程。
PEFT vs. 全参数微调：PEFT是后者的高效替代方案，在效果接近的情况下，资源消耗低几个数量级，但理论上限可能略低于全参数微调。