是什么
微调（Fine-tuning）是指在一个已经过大规模预训练的基础模型之上，用规模小得多、但更贴近特定领域或任务的数据继续训练，从而调整模型权重、让它更擅长某类工作。常见做法包括全参数微调，以及只更新少量参数的高效微调（如 LoRA），后者大幅降低了显存与算力门槛。
为什么重要
预训练让模型具备通用能力，微调则把这份通用能力「校准」到具体场景——例如让模型熟悉某个行业的术语、遵循固定的输出格式、或贴合企业的语气规范。对开源权重模型而言，微调是把公开模型变成专有资产的主要手段；它也是「用更小的模型在窄任务上追平大模型」这一降本路线的关键一环。
2026 年的最新进展
2026 年最明显的变化是闭源厂商的托管微调在收缩：截至 2026 年 9 月，OpenAI 官方文档写明其微调平台正在关停、已不向新用户开放，其中强化微调（RFT）只支持推理模型 o4-mini。Google 的 Gemini API 微调文档（2026 年 4 月 28 日更新）也写明，Gemini API 与 AI Studio 已没有任何支持微调的模型，该能力只留在 Gemini Enterprise Agent Platform。与此同时，前沿实验室把力气压在完整的后训练流水线上：NVIDIA 2026 年 4 月的 Nemotron 3 Super 在 25 万亿 token 预训练之后，用监督微调（SFT）加强化学习（RL）完成后训练。到 2026 年，微调越来越指向拿开源权重自己做。
在 AI 产业链中的位置
微调是 AI 产业链中模型层的工程能力，但它的成本直接落在芯片与基础设施层——全参数微调对显存和算力要求很高，高效微调（LoRA 等）则把这道门槛降下来。向上，它让应用层能用得起贴合自身业务的定制模型，而不必每件事都依赖最贵的旗舰通用模型。