AI 術語學習

微調 是什麼?

微調(Fine-tuning)的定義、完整說明、相關概念與資料來源。

英文
Fine-tuning
內容定位
完整解說 alternate
最後更新
2026-04-01

微調是在預訓練模型的基礎上,使用特定領域或任務的資料進行額外訓練,使模型在目標任務上達到更好表現的技術。

微調 的完整說明

微調(Fine-tuning)是遷移學習的核心方法之一。預訓練模型(如 GPT、BERT)在通用大規模語料上學習了廣泛的語言知識,微調則是用相對少量的特定資料,在此基礎上調整模型參數,使其適應特定任務。常見的微調方法包括:全量微調(Full Fine-tuning,調整所有參數)、LoRA(Low-Rank Adaptation,僅調整低秩矩陣)、指令微調(Instruction Tuning,用問答對訓練模型遵循指令)、RLHF(基於人類回饋的強化學習,讓模型符合人類偏好)。微調大幅降低了部署 AI 的門檻,企業無需從頭訓練模型即可獲得客製化的 AI 能力。

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 6%, 屬於中頻考範圍。

常見出題方向:微調與預訓練的差異(40%)、常見微調方法比較(35%)、微調的應用場景(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

先理解這些

常見問題

微調和從頭訓練有什麼不同?

從頭訓練需要大量資料和算力來建立模型的基礎能力。微調則是站在預訓練模型的「肩膀上」,只需少量資料和算力即可讓模型適應特定任務,效率高出數個量級。

什麼時候該用微調,什麼時候用 RAG?

需要改變模型的行為風格或專業能力時用微調;需要讓模型存取最新或特定知識時用 RAG。兩者也可搭配使用,先微調再加上 RAG。

資料來源