模型微调是提升预训练模型在特定任务上性能的关键技术，‌主要包括全参数微调、参数高效微调（如LoRA）、适配器（Adapter）和提示微调（Prompt Tuning）‌。这些方法通过调整模型参数或结构，使其更适应目标领域的数据分布，同时平衡计算成本与效果。

1. ‌全参数微调‌：直接更新预训练模型的所有参数，适合数据量充足且计算资源丰富的场景。虽然效果通常最优，但训练成本高且容易过拟合小规模数据。

2. ‌参数高效微调（LoRA）‌：通过低秩矩阵分解，仅训练新增的小型参数矩阵，冻结原始模型权重。例如LoRA技术显著减少显存占用，适合资源受限的情况，且能接近全参数微调的效果。

3. ‌适配器（Adapter）‌：在模型层间插入轻量级网络模块，仅训练这些模块而固定主干参数。适配器结构灵活，支持多任务学习，但对模型推理速度有一定影响。

4. ‌提示微调（Prompt Tuning）‌：通过优化输入端的软提示（Soft Prompt）来引导模型输出，无需修改模型参数。适用于少样本场景，但对提示设计敏感，效果依赖预训练模型的能力。

选择微调方法需综合考虑数据规模、计算资源和任务需求。例如，‌LoRA和适配器适合资源有限的场景，而全参数微调仍是数据充足时的首选‌。未来，结合多种方法的混合策略可能成为趋势。