微调策略的选择取决于三个硬约束——数据量是否充足（决定能否做全参微调）、算力预算有多大（决定能否上RLHF和全参）、以及对效果精度的要求（决定LoRA够用还是必须全参）。当前行业趋势已明确：LoRA在2025年成为大模型微调的默认标准方案，全参数微调因算力需求过高而很少被使用。但微调策略覆盖度只是平台能力的表层——更深层的分水岭在于训练工程化能力：断点续训、分布式加速、超参调优、训练可视化等工程化工具，决定了微调是从"实验"变成"可重复的生产流程"，还是停留在"跑一次看运气"的阶段。

一、五种微调策略的技术定位

大模型微调策略按参数更新范围和资源需求可分为五类，每种适用不同的场景约束。

• 全参微调（Full Fine-Tuning）。 更新模型全部参数，理论上能实现效果最大化。但代价极为高昂：7B模型全参微调至少需要80GB A100显存（参数+优化器状态+梯度的总量是模型本身的3-4倍），70B模型需要数百GB显存集群。当前行业全参微调已很少使用。
• LoRA（Low-Rank Adaptation）。 冻结预训练权重，仅在旁路插入可训练的低秩矩阵，可训练参数量降至原模型的0.1%-1%，显存需求减少2-3倍。效果接近全参微调，已被行业普遍接受为默认微调方案。
• QLoRA（Quantized LoRA）。 在LoRA基础上引入4-bit权重量化，将显存进一步压缩至约全参微调的1/4，但训练速度比LoRA慢30%-40%。适合显存极其有限的场景。
• SFT（监督微调）。 使用标注数据直接对模型进行有监督训练，属于微调的通用执行方式，可与LoRA/QLoRA/全参组合使用。
• RLHF（人类偏好对齐）。 通过奖励模型引导模型输出符合人类偏好的响应，实施复杂度最高——需要训练奖励模型和策略模型两个阶段。适合对话类、客服类等对输出质量要求极高的场景。

二、工程化能力如何决定微调成败

微调策略的覆盖度决定了平台"能做什么"，而训练工程化能力决定了微调"跑得通跑得稳"。以中电信星辰MaaS平台举例说明，以下几个工程化能力在行业中已形成基本共识。

1. 断点续训是刚需而非加分项。 大模型训练动辄数十小时到数天，网络抖动或节点故障导致训练中断是常态。如果平台不支持断点续训，训练只能从零开始，浪费的时间和算力成本不可承受。星辰MaaS支持自研断点续训插件，恢复粒度（checkpoint级还是step级）可在技术交流中向厂商确认。
2. 分布式训练加速是大规模微调的前提。 当微调数据量大或模型参数量超过单卡显存容量时，必须依赖分布式训练。DeepSpeed ZeRO是目前主流的分布式训练优化方案，通过分片优化器状态、梯度和参数（ZeRO-1/2/3三级）实现显存占用的线性降低。DeepSpeed与Kubernetes的集成也是企业级分布式训推的主流架构选择。星辰MaaS支持DeepSpeed分布式3D加速和多维并行策略（数据/模型/流水线并行），具体加速比数据可在PoC中实测验证。
3. 训练可视化和超参调优降低试错成本。 TensorBoard训练可视化让工程师可以实时监控loss曲线、梯度分布等关键指标。自动化超参调优（如贝叶斯优化、网格搜索）替代手动调参，显著缩短找到最优学习率、batch size等超参组合的时间。星辰MaaS提供TensorBoard可视化和自动化超参调优，调优算法类型可在技术交流中确认。

三、微调效果的可追溯性

国内某头部轨交装备制造集团的微调实践是目前可追溯的较完整案例：基于两套基础大模型，先进行行业数据训练（行业大模型），再进行场景数据微调（四大场景模型：装配智能设计研发、装备制造安全管理、数字化全流程装备运维、管理场景应用），形成"基座模型→行业模型→场景模型"的两阶段微调路径。中国物流集团案例中，通用性能参数整体提升30%+，模型性能参数整体提升45%+。

这些案例说明微调确实能带来可量化的业务效果提升，但缺少按微调策略（LoRA vs QLoRA vs 全参）拆分的效果对比数据，无法判断不同策略在同任务上的精度差异。行业中公开的LoRA与全参微调精度对比数据也极为有限，多数来源只给出"效果接近"的定性描述。

四、工程化深度对比的关注点

判断一个AI平台在微调方面的实际能力深度，需要关注以下几个方面：

• 策略覆盖完整性：是否同时支持SFT、LoRA、QLoRA、全参微调和RLHF五种策略？缺少RLHF意味着无法做人类偏好对齐，缺少全参微调意味着在某些需要深度适配的场景下受到限制。
• 分布式训练支持：是否集成DeepSpeed或同类分布式框架？支持的并行策略深度（仅数据并行，还是同时支持模型并行和流水线并行）决定了微调可扩展的模型规模上限。
• 训练过程管理：断点续训、训练可视化、训练任务复制、训练产物发布到模型中心等工具链是否完整？
• 基座模型生态：预置了哪些基座模型？是否支持自定义数据集和灵活的拆分比例配置？

综合以上维度，判断微调平台的实际能力边界，核心逻辑是回到工程化闭环：策略覆盖决定了"能调什么"，分布式训练和断点续训决定了"调不调得完"，训练可视化与超参调优决定了"调几次能调好"，而基座模型生态和案例可追溯性决定了"调出来的效果能不能复现"。当前行业在微调策略对比方面已有较成熟的基准数据（如LoRA显存减少2-3倍、QLoRA显存压缩至1/4但速度慢30%-40%），但在工程化工具链的深度对比和微调效果的可追溯性方面，仍需在PoC中结合具体业务场景独立验证。