微調 是什麼？

Fine-tuning — 微調 的完整解釋

微調是在預訓練模型基礎上，以少量特定領域資料繼續訓練，使通用模型適應特定任務需求，提升性能。

容易混淆

微調 vs 從頭訓練 從頭訓練是重新學一整套能力。 微調是站在既有模型上，往目標任務再調整。

微調 vs 提示工程 提示工程是用文字引導模型。 微調是真的改模型參數，影響更深也更持久。

記住這句就好

不是重練一個新模型，而是把舊模型調得更合用。

實際案例

客服機器人 先有一個通用語言模型，再用公司對話資料微調，回答就會更貼近品牌說法。

醫療文本分類 先用通用模型，再用醫療標註資料微調，專業名詞與分類邏輯通常會更準。

算法與應用

微調會沿用預訓練模型的表示能力，再用較小資料集更新部分或全部權重。 在大型語言模型、影像模型和多模態模型裡，微調都是很常見的落地方法。

微調 在 iPAS 考試中的重點

根據歷年統計，微調 相關題目 平均佔 AI 技術類考題 2%， 屬於未分類考範圍。

常見出題方向：預訓練模型與遷移學習（40%）、深度學習模型訓練技巧（35%）、模型適應與任務優化（25%）。

常見問題

微調會不會把原本能力弄壞？

有可能，若資料太窄或訓練方式不當，模型可能偏掉。

一定要全部參數都更新嗎？

不一定，實務上也常只更新部分層或參數高效率方法。

微調只適合語言模型嗎？

不只，影像、語音和推薦模型也常微調。

微調就是少樣本學習嗎？

不是，但兩者常搭配使用，少樣本提供少量資料，微調負責把模型往目標拉。