微调（Fine-Tuning）是在预训练模型的基础上，使用有标注的任务数据继续训练，更新部分或全部参数，使模型适配具体应用。它让通用基础模型"专精化"，如针对代码、医疗、对话等场景。 微调分为全参数微调（更新所有参数，效果好但成本高）和参数高效微调（PEFT，如LoRA、QLoRA，仅训练少量附加参数，显存友好）。监督微调（SFT）使用指令-回答对，让模型学会遵循指令。 微调需要高质量、与目标分布一致的数据，数据量通常为数千到数百万条。过度微调可能导致"灾难性遗忘"（丢失预训练能力）或过拟合。微调是构建垂直应用、定制模型行为的关键手段。