PEFT：让大模型“轻装上阵”的微调魔法
PEFT（参数高效微调）是一系列旨在高效微调大型预训练模型的技术总称。它通过仅更新或新增极少量的模型参数，而非调整整个庞大的模型，来实现对新任务或领域的适配。这种方法极大地降低了计算成本、内存需求和存储开销，使得在消费级硬件上微调大模型成为可能，是推动大模型应用落地的关键技术之一。
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。
本文内容用于 AI 热词解释和概念整理，仅供学习和理解参考。若涉及表述偏差或内容修正，欢迎联系站点进行更新。
相关热词法院AI应用是指人工智能技术在司法领域的落地实践，包括智能辅助办案、类案自动推送、裁判文书生成、庭审语音识别等，旨在提升审判效率与公平性，减轻法官事务性负担。
法院AI部署是指将语音识别、文书生成、类案推送等人工智能技术集成到法院办案流程中，旨在提升审判效率、降低人为差错，并推动司法透明化。近年来，各地智慧法院试点加速，AI从辅助工具逐渐嵌入核心业务环节。
法院AI训练指利用裁判文书、法律法规等数据，训练机器学习模型以辅助司法工作，如案件分类、证据分析、量刑建议等。它并非替代法官，而是通过技术手段提升效率与一致性，正成为智慧法院建设的核心环节。
法院AI仿真利用人工智能技术对法庭场景、审判程序、辩论逻辑进行数字化模拟，用于法律教学、案件预演、证据推演等场景，帮助法官、律师和法学院学生更直观地理解司法过程。
法院AI建模是指运用人工智能技术，尤其是大语言模型和机器学习算法，对案件的事实要素、法律条文和历史判例进行结构化建模，辅助法官完成证据审查、量刑参考和文书生成的技术方案。