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。
中英對照與常見說法
| 說法 | 出現場合 |
|---|---|
| 微調 | 台灣與中國大陸通用譯名 |
| 微调 | 簡體寫法 |
| Fine-Tuning | 英文原名 |
| 精調、細調 | 少見變體 |
| 指令微調（instruction tuning）、監督式微調（SFT） | 大型語言模型脈絡下的特定形式 |
跟預訓練的差別，這是最常考的一組
| 預訓練（pre-training） | 微調（fine-tuning） | |
|---|---|---|
| 資料 | 大量無標註的通用資料 | 少量有標註的特定任務資料 |
| 目標 | 學通用的語言或視覺表示 | 讓模型適應特定任務或領域 |
| 成本 | 極高，通常只有大型機構做得起 | 相對低，單機或少量機器可行 |
| 誰做 | 模型提供者 | 使用者 |
| 順序 | 先 | 後 |
一句話的區別：預訓練學的是通識，微調學的是專業。
考題常見的問法是「先用大量通用資料訓練，再用少量特定資料調整」對應到哪個階段組合，答案就是預訓練加微調。
微調、提示工程、檢索增強，怎麼選
| 手段 | 適合解決 | 不適合 |
|---|---|---|
| 提示工程 | 調整輸出格式、語氣、簡單任務 | 教模型不知道的知識 |
| 檢索增強（RAG） | 補充會變動的、大量的事實知識 | 改變模型的行為風格 |
| 微調 | 固定的輸出格式、特定領域語氣、壓縮提示長度 | 灌入大量新事實，容易記錯又難更新 |
最常見的誤用是拿微調當作灌知識的手段。 要讓模型知道公司的產品規格，正確做法幾乎都是檢索增強而不是微調：資料一改就要重訓、模型可能記成模糊的印象、而且無法標出出處。
微調真正的強項是行為與格式：讓模型每次都輸出合乎規格的 JSON、讓它用特定的專業語氣、或把一段很長的系統提示壓縮進權重裡以節省每次呼叫的成本。
參數高效微調
全參數微調要更新所有權重，記憶體需求大且每個任務都得存一份完整模型。LoRA 這類參數高效微調（PEFT）的做法是凍結原模型，只訓練少量額外的低秩矩陣，可訓練參數常常不到全部的百分之一，效果卻接近全參數微調，而且多個任務可以共用同一個底模只換掛載的小模組。
微調最常見的失敗是災難性遺忘：學會新任務卻把原本的通用能力弄壞了。對策是降低學習率、混入一部分通用資料、或改用參數高效微調把原權重凍住。
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%）。
閱讀這頁時的常見誤區
只背中英文對照，無法判斷術語的適用情境。先確認定義，再對照完整說明與相關概念，頁面中的考試比重或出題方向，必須和下方標示的資料來源一起閱讀。
相關術語
相關術語
常與之比較
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。
資料來源
- AITerms.tw 術語資料庫，最後更新：2026-07-29。
- iPAS AI 應用規劃師評鑑內容範圍參考（115.02） ，經濟部產業人才能力鑑定