是什麼
微調（Fine-tuning）是指在一個已經過大規模預訓練的基礎模型之上，用規模小得多、但更貼近特定領域或任務的資料繼續訓練，從而調整模型權重、讓它更擅長某類工作。常見做法包括全引數微調，以及只更新少量引數的高效微調（如 LoRA），後者大幅降低了視訊記憶體與算力門檻。
為什麼重要
預訓練讓模型具備通用能力，微調則把這份通用能力「校準」到具體場景——例如讓模型熟悉某個行業的術語、遵循固定的輸出格式、或貼合企業的語氣規範。對開源權重模型而言，微調是把公開模型變成專有資產的主要手段；它也是「用更小的模型在窄任務上追平大模型」這一降本路線的關鍵一環。
2026 年的最新進展
2026 年最明顯的變化是閉源廠商的託管微調在收縮：截至 2026 年 9 月，OpenAI 官方文件寫明其微調平台正在關停、已不向新使用者開放，其中強化微調（RFT）只支援推理模型 o4-mini。Google 的 Gemini API 微調文件（2026 年 4 月 28 日更新）也寫明，Gemini API 與 AI Studio 已沒有任何支援微調的模型，該能力只留在 Gemini Enterprise Agent Platform。與此同時，前沿實驗室把力氣壓在完整的後訓練流水線上：NVIDIA 2026 年 4 月的 Nemotron 3 Super 在 25 萬億 token 預訓練之後，用監督微調（SFT）加強化學習（RL）完成後訓練。到 2026 年，微調越來越指向拿開源權重自己做。
在 AI 產業鏈中的位置
微調是 AI 產業鏈中模型層的工程能力，但它的成本直接落在晶片與基礎設施層——全引數微調對視訊記憶體和算力要求很高，高效微調（LoRA 等）則把這道門檻降下來。向上，它讓應用層能用得起貼合自身業務的定製模型，而不必每件事都依賴最貴的旗艦通用模型。