常见的微调任务有哪些？
- 标签：大模型、AI、微调
🏛 业务架构师
常见的微调任务我按业务价值分类：
1. 指令微调（SFT）——最主流。教会模型"听懂指令并按要求回答"，任务是行为塑造而非知识注入。企业场景：客服话术、固定格式报告生成。
2. 风格与语气对齐——让模型输出符合品牌人设（专业严谨的银行客服 vs 活泼的零售助手）。提示词也能做，但微调后更稳定、token 更省。
3. 格式约束类——强制输出特定 schema（JSON、SQL 方言、DSL），微调后小模型也能稳定达标，比在提示里塞大量格式说明省钱。
4. 领域适配——医疗术语理解、法律条文引用、金融研报语言，让通用模型"说行话"。
5. 分类与评分任务——情感分析、工单分类、内容风险打分，微调小模型（0.5B~7B）替代大模型，成本降 90% 以上，这是 2026 年最实用的批量微调场景。
6. 偏好对齐（RLHF/DPO）——调整"哪个回答更好"的偏好，用于提升人工标注满意率。
我的业务忠告：凡是想让模型"记住知识"的需求，答案基本是 RAG 而不是微调——知识要随业务更新，微调一次几周，RAG 改文档五分钟。微调管"能力与风格"，RAG 管"知识与事实"，这条边界想清楚，能省一半无效预算。
🏗 系统架构师
微调任务我按目标类型分四类，每类配典型业务场景：
- SFT 指令微调（监督微调）：教模型"听懂指令并按要求回答"。任务数据是 instruction→response 对。场景：客服话术、特定格式输出（JSON/工单）、领域问答风格统一。这是占比最大的一类；
- 偏好对齐类：RLHF/DPO，用"好答案 vs 坏答案"的偏好对训练，让模型输出贴近人类/业务偏好。场景：内容安全对齐、品牌语气、拒绝有害请求；
- 领域适配类：医疗、法律、金融、代码等领域语料继续预训练（Continual Pre-training）+ SFT 两段式。场景：私有领域术语密集、通用模型理解偏差大的垂直产品；
- 任务特化类：分类/抽取/纠错等单一任务微调——小模型特化后可替代大模型，成本降一个量级。场景：工单分类、情感分析、NER、日志解析。
架构师视角的决策框架：先问"这是知识问题还是行为问题"——知识问题优先 RAG（可更新、可溯源）；行为/格式/风格问题才微调；任务单一且 QPS 高时，微调小模型（如 7B 微调替代 GPT-4 调用）是成本优化的经典手段，单条推理成本从毫厘级降到自托管 GPU 摊销的微厘级。
💻 全栈开发专家
按我在业务里碰过的微调任务分五类：
- SFT 指令微调（最常见）：教模型「听懂指令、按格式回答」。数据是 instruction-response 对，客服话术、结构化抽取、固定文风输出都属于这类。
- 领域适配 / 继续预训练（CPT）：拿领域语料（医疗指南、法条、公司文档）继续做语言建模，灌领域词汇和知识。成本高，只在术语密度极高时做。
- 分类与信息抽取：文本分类、NER、情感分析、意图识别。通常微调小模型（BERT 系/Qwen-0.5B）替换昂贵的 LLM API，是「降本项目」主力。
- 风格/偏好对齐：RLHF、DPO，让输出更符合人类偏好——更有用、更安全、更简洁，或对齐品牌语气。
- 多模态微调：图文理解（VQA）、图文生成的领域适配，微调 projector 或 LoRA 部分。
选型心得：先问「这个需求 RAG + 提示工程能不能解决」——知识型需求优先 RAG（可更新、可溯源）；行为型需求（输出格式、风格、小模型降本）才值得微调。比如我们做的工单自动分类：LLM few-shot 起步 → 攒够 5 万标注 → 蒸馏微调 Qwen-1.5B 上线，单条成本从 3 分降到几乎为零。这个「LLM 起步、微调收口」的路径很典型。