全参数微调 vs 参数高效微调：何时选择何种方案？

全参数微调 vs 参数高效微调：何时选择何种方案？

一、引言：一个真实的选型困境

想象这样一个场景：你所在的团队基于 Llama 3-70B 构建了一个垂直领域的问答系统，现在需要用 5000 条高质量的领域标注数据对其进行微调。你有两张 A100-80GB GPU，预算有限，时间窗口只有一周。

团队里出现了两种声音：

• 算法工程师 A：「必须全参数微调！只有更新所有权重，模型才能真正"学会"领域知识。PEFT 那些方法都是折中方案，效果打折扣。」
• 算法工程师 B：「5000 条数据全参数微调 70B？两张 A100 连模型都装不下。用 LoRA 吧，效果不差多少，成本只有十分之一。」

谁对谁错？答案是：取决于你的具体场景。

本文将从原理、实践和工程角度，系统性地对比全参数微调（Full Fine-Tuning）与参数高效微调（PEFT，Parameter-Efficient Fine-Tuning），帮助你在不同场景下做出最优选择。我们不会停留在"LoRA 省显存"这种粗浅结论，而是深入到数学本质、显存分配机制和实际落地经验中。

二、核心概念：两种微调范式的数学本质

2.1 全参数微调

全参数微调是最传统、最直观的微调方式。给定预训练权重W 0 ∈ R d × k W_0 \in \mathbb{R}^{d \times k}W0​∈Rd×k，全参数微调直接更新所有权重：

W = W 0 + Δ W W = W_0 + \Delta WW=W0​+ΔW

其中Δ W \Delta WΔW是一个与W 0 W_0W0​同形状的矩阵，通过反向传播在全部参数上计算梯度并更新。对于 Llama 3-70B，这意味着你需要为700 亿个参数存储梯度、优化器状态和中间激活值。

显存开销公式（以 AdamW 优化器为例）：

M total = M model + M gradients + M optimizer + M activations M_{\text{total}} = M_{\text{model}} + M_{\text{gradients}} + M_{\text{optimizer}} + M_{\text{activations}}Mtotal​=Mmodel​+Mgradients​+Moptimizer​+Mactivations​

其中：

• M model M_{\text{model}}Mmodel​：模型权重（2 bytes/param for BF16）
• M gradients M_{\text{gradients}}Mgradients​：梯度（2 bytes/param）
• M optimizer M_{\text{optimizer}}Moptimizer</