极客时间|彭靖田AI大模型微调第0期

这门课的主题是大模型微调，不是泛泛的 AI 科普。它要解决的是一个很具体的工作场景：你手里有一个开源基座模型，但它在你的业务语料上表现不好——答非所问、格式不对、术语用错。重新预训练不现实，调用 API 又受限于数据合规和成本，于是只能走微调这条路。课程围绕 LLaMA 和 ChatGLM 这两个当时最常被拿来改的模型展开，讲的是怎么把通用模型调成能干活的样子。

先看哪几块，别从头顺着播

资料里模型家族那一讲和开发工具库那一讲，是整门课的地基，建议优先看。前者帮你理清 LLaMA 系列的版本差异和选型逻辑，后者解决环境、加载、训练脚本这些动手前的障碍。很多人卡在第一步不是不懂原理，而是显存不够、依赖冲突、数据格式对不上，这部分内容能省掉大量试错时间。直播录像和课件 PDF 配合着用：先过一遍课件建立框架，再挑直播里对应段落看实操演示，遇到报错再回查。评论区记录可以当排错参考，别人踩过的坑往往你也会踩。

适合什么基础，学完能做什么

如果你完全没写过 Python、没碰过深度学习框架，这门课会让你很吃力，建议先补基础再来。它更适合已经能跑通推理、调过 API、但对微调流程只有零散认知的人——比如做算法的初级工程师、做 AI 应用的产品或后端、想转方向但一直没动手的开发者。学完之后，你应该能独立完成一件事：拿一个开源中文模型，用自己的领域数据做一次指令微调，评估效果，并判断这次微调到底有没有必要。这个判断力比会敲命令更重要，因为很多需求其实用提示词或检索就能解决，不需要微调。

资料怎么配合练习

光看视频不动手，等于没学。建议按这个节奏走：先按课件把环境搭起来，跑通一次官方示例，确认流程能走通；然后换一份自己的小数据集，哪怕只有几百条，完整走一遍数据清洗、格式转换、训练、推理验证。训练参数先别急着调，把默认配置跑出结果，再逐项改学习率、批次大小、截断长度，观察 loss 和输出变化。LLaMA 和 ChatGLM 的微调方式有差异，两套都过一遍，你对微调的理解会立体很多。遇到显存不足就降批次、上梯度累积或量化，这些在开发工具库那部分有对应思路。

最后提醒一句：微调不是万能药，数据质量决定上限。课程给的是方法和路径，真正拉开差距的是你对自己业务数据的理解和清洗功夫。带着一个真实需求去学，比空跑示例收获大得多。