四种微调方式
Full
对预训练模型的所有参数进行微调，让模型从底层到顶层的所有参数都参与更新，彻底适配下游任务
优点：模型对任务的适配性最强，在数据充足、任务复杂时效果通常最优
缺点：资源消耗极大（千亿参数模型需高端 GPU 集群，训练时长以天 / 周计）；数据量不足时极易过拟合（模型死记训练数据，泛化能力差）
适用于数据量大，复杂度高，计算资源充足的情景
Freeze
仅微调模型的部分参数（通常是 “顶层” 或新增的任务专属层，如分类头、输出层），冻结大部分底层参数（保留预训练阶段学到的通用知识）
适用于数据量少，任务简单，计算资源有限的场景
LoRA Low-Rank Adaptation
不直接修改预训练模型的原始参数，而是在模型的关键层（如注意力层、前馈网络层）插入低秩矩阵对（可理解为 “小配件”），仅微调这组低秩矩阵，原始模型参数保持冻结
在微调过程中，原始参数全程不更新
优点：训练速度极快、显存消耗极低；效果接近全量微调，且能完美保留原模型知识；支持多任务共享大模型
缺点：
若任务需要 “深度改造” 模型（如极小众领域的知识注入），低秩矩阵可能无法完全捕捉复杂规律，效果略逊于全量微调；
依赖 “低秩假设”，若任务与预训练任务差异过大，适配性会下降
适用于纯文本的任务，多任务场景，边缘设备部署等场景
QLoRA（Quantized LoRA，量化低秩适应）
是 LoRA 的升级版：先对预训练模型进行量化压缩（如 4 位量化，将浮点数参数转为低精度整数），再在量化后的模型上应用 LoRA 方法，仅微调新增的低秩矩阵
适合用在资源极其紧张的场景