解析：
LoRA（Low-Rank Adaptation）是 PEFT 技術的代表，透過在原始權重旁插入低秩矩陣來微調，大幅減少需更新的參數量，同時維持模型效能，特別適合 GPU 資源受限的場景。
你有沒有一個已經很會做事的模型，只想把它教成更懂你的版本？
你可以把微調想成拿現成能力再訓練一小段，讓模型更適合某個特定任務或語境。
它重要，是因為從頭訓練很花時間和資料，微調通常能用更少成本把通用能力變成可用能力。
你可以把它想成一個把抽象概念拉回日常判斷的提示，先知道它解決什麼問題，再看技術細節。
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。
iPAS 考題
Q：微調的核心目的是什麼？ → 讓已經學過大規模資料的模型，適應新的任務或領域資料。
Q：微調和提示工程差在哪裡？ → 提示工程是改輸入說法，微調是改模型本身。
情境判斷
Q1： 如果你已經有一個大模型，只差讓它更懂公司文件，微調適合嗎？
適合，因為你要的是領域適配，不是重做一個新模型。
Q2： 如果資料量超少，微調一定比提示工程好嗎？
不一定，資料太少時，提示工程可能更快更省，是否微調要看情況。
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。
範例考題
在進行大型語言模型（LLM）企業專屬知識的 Fine-tuning 時，若內部 GPU 運算資源與記憶體嚴重受限，下列哪一種參數高效微調（PEFT, Parameter Efficient Fine-Tuning）技術最能在維持模型效能的前提下，顯著降低需更新的參數數量？
- A. 知識蒸餾（Knowledge Distillation）
- B. 提示詞工程（Prompt Engineering）
- C. 梯度凍結（Gradient Freezing）
- D. 低秩適配（Low-Rank Adaptation） ✓ 正確答案
某企業導入大型語言模型（LLM）進行客服自動化，並已透過 Fine-Tuning 學習企業標準問答範例，但在實務運作中仍出現回應策略未符合服務優先順序及語氣與品牌風格不一致的情況，因此技術團隊建議再導入 Reinforcement Fine-tuning（RFT）機制進行優化，其主要目的為何？
- A. 擴展模型的知識涵蓋範圍與資料記憶能力
- B. 透過 reward 訊號調整模型回應策略與行為偏好 ✓ 正確答案
- C. 提升模型推論速度與降低回應延遲
- D. 降低 prompt 設計複雜度並取代訓練流程
解析：
Reinforcement Fine-tuning（RFT）的主要目的是透過 reward 訊號（獎勵信號）來調整模型的回應策略與行為偏好，使其更符合期望的服務優先順序與品牌風格。