微调
微调是在一个较小的专门数据集上，继续训练已经预训练好的模型，使它适应某项任务、某种风格或某个领域的过程。它改变的是模型的权重，而提示词只是改变模型读到的指令。
更新于 2026年11月8日
主流助手
我无法提供医疗建议。请咨询医生或药剂师。
NeverNo
每天 1,200 mg 是非处方用药的上限，而且说明书规定止痛只能连用几天（5 到 10 天，各国不同）。三周已是它的两到四倍。主要风险在胃（烧灼感、溃疡），其次是肾脏和血压。请随餐服用，绝不要与酒精或其他消炎药同服。一旦出现黑便、呕血或剧烈胃痛，立刻去急诊。另外，这周就去看医生：腰痛持续三周，该查查原因了。
工作原理
预训练一个大语言模型，需要海量的数据和算力。微调从这个结果出发，只花费其中很小的一部分力气。你给模型喂示例，比如带有理想答案的问题、带有正确回复的客服工单，或者某种特定口吻的文字，它的权重就会发生变化，让这类输出变得更有可能。大多数助手都是这样做出来的：先在指令上微调一个基础模型，然后常常再用 RLHF 按偏好进一步调整。
完整微调会更新每一个权重，需要像样的硬件。更便宜的做法是只更新一个小的附加部分，LoRA 就是这样做的，或者在模型的量化副本上训练。数据的质量比数量更重要：几千条干净、一致的示例，常常胜过一百万条杂乱的示例。风险有遗忘，也就是模型丧失通用能力；过拟合，也就是它把示例背了下来；还有继承来的缺陷，因为数据中的错误或偏见会变成行为。
值得先问一句，你到底需不需要它。一份清晰的系统提示词、放在提示里的几个示例，或者对文档的检索（RAG），往往不用训练就能解决问题。当你需要大规模保持一致的格式或语气，需要缩短提示以提高速度，或者需要仅靠措辞无法实现的行为时，微调才值得。开放权重的模型，任何拿到权重的人都可以微调；封闭的模型则只能通过开发者自己的服务。一个相关的习惯是分享变体：微调后的版本保留了基础模型的架构，社区发布了许多面向编程、讲故事、翻译或专业词汇的版本，并在公开的排行榜上比较它们。读一读模型说明里关于基础模型、所用数据和许可证的内容，就能知道改动了什么，以及你可以拿结果做什么。
在 NeverNo 中
NeverNo 没有提供微调模型的方式，目录里也没有列出每个模型是如何调优的。你能做的是在提示词层面调整行为，也就是你写下的指令，它改变的是模型读到的内容，而不触碰它的权重。
开放权重的模型，正是别人会去微调并重新发布的那一类，目录里的私密模型就属于这一类。Qwen 3.5 35B 是阿里巴巴的免费私密模型，能看图，也让你选择是否推理，它就是其中之一。私密指的是由我们因其不保留请求而选定的服务商提供服务；透明度页面明确说明，NeverNo 无法检查它们的服务器。
值得记住
微调改变模型的权重；提示词只改变模型读到的内容。
它需要的是小而干净、一致的数据集，而不是庞大的数据集。
风险有遗忘、过拟合，以及从数据中继承来的缺陷。
先试提示词、示例或检索，等它们不够用时再微调。
微调变体的模型说明，应该写明基础模型、训练数据和许可证。
常见问题
我该用微调还是 RAG？
RAG 在提问时给模型提供新的文档，而微调改变它的行为。对于会变化的事实，检索通常更合适；对于语气、格式或专门技能，微调可能更合适。团队常把两者结合：为语气做微调，为事实检索文档，这样训练集保持很小，答案保持最新。
我能在自己的电脑上微调模型吗？
有了开放权重的模型和 LoRA 这样的高效方法，小模型通常用一张好的显卡就能调整，大模型则需要更多。封闭的模型则完全碰不得，除非开发者提供这项服务。在家用机器上，内存是限制，所以基础模型的大小、批大小和所选的精度，在训练开始之前就决定了它是否放得下。
微调能教会模型新的事实吗？
效果不好。相比于存储可靠的新知识，它更擅长风格、格式和行为，而且模型仍然可能产生幻觉。对于事实，请改为把文档交给它。不论选哪条路，都留下一小组模型从未训练过的问题，这样你才能区分真正的进步和死记硬背。给数据集做好版本管理，并记下所用的设置，好结果以后才能重现。
问出你的第一个问题
无需账户，无需银行卡。NeverNo 会 10 种语言，用哪种写都行。
打开聊天