大模型微调参数主要包括全参数微调、部分参数微调和参数高效微调（PEFT）三大类，核心目的是通过调整模型参数使其适配特定任务，同时平衡计算成本与性能。

1. 全参数微调
   更新模型所有参数，适用于需要深度适配的场景（如专业领域任务）。优势在于最大化任务性能，但需消耗大量算力资源，例如训练数十亿参数模型可能耗时数周。

2. 部分参数微调
   仅调整与任务强相关的部分参数（如输出层或特定网络层），显著降低计算开销。例如图像分类任务中微调最后几层，既能提升效果，又避免全局参数更新。

3. 参数高效微调（PEFT）
   通过技术如LoRA、适配器调整等，冻结大部分参数仅微调关键部分。量子计算等创新方法（如量子加权张量混合）进一步优化效率，解决传统低秩微调的泛化瓶颈。

合理选择微调参数策略可大幅提升模型在医疗、金融等垂直领域的表现，同时控制资源投入。实际应用中需根据任务需求和数据规模灵活组合上述方法。