类型总结
微调（Fine-tunning）
语言模型的参数需要一起参与梯度更新
轻量微调（lightweight fine-tunning）
冻结了大部分预训练参数，仅添加任务层，语言模型层参数不变
适配器微调 （Adapter-tunning）
Adapter在预训练模型每层中插入用于下游任务的参数，在微调时将模型主体冻结，仅训练特定于任务的参数，减少训练时算力开销
提示学习（Prompting）
任务输入前添加一个自然语言任务指令和一些示例，直接在预训练语言模型中统一建模，比如GPT2/GPT3
前缀微调（Prefix-tuning)
将prompt方式扩展到连续空间，在每层输入序列前面添加prompt连续向量【随机初始化，并不对应到具体的token】目前是将语言模型freeze后，仅微调prompt参数，在实验中是增加了一个MLP重参数化，确保效果，使用MLP后的结果做预测
提示微调（Prompt-tuning）
将prompt扩展到连续空间，但是仅在输入层加入prompt连续向量，且不固定，同时使用LSTM建模prompt向量之间的关联性
【P-tuning与Prefix-tuning】：
- Prefix-tuning仅针对NLG任务生效，服务于GPT架构；P-tuning考虑所有类型的语言模型
- Prefix-tuning限定了在输入前面添加，P-tuning则可以在任意位置添加
- Prefix-tuning为了保证效果在每一层都添加，但p-tuning可以只在输入层添加
【P-tuning与fine-tuning】
P-tuning不改变预训练阶段模型参数，而是通过微调寻找更好的连续prompt提示，来引导已学习到的知识的使用；Fine-tuning可能在调整模型参数过程中，可能带来了灾难性遗忘问题
提示微调v2（Prompt-tuning）
在第一版基础上，将每层输入都添加上prompt连续向量，同时探索了prompt长度在不同规模的模型上的效果；去掉MLP层重参数化
指令微调(Instruct-tuning)
指令微调是会直接通过自然语言形式给出人类指令，是基于一组NLP任务集合上直接tuning的过程，它可以提高语言模型在未知任务上的效果，即zero-shot learning能力
【instruct-tuning 与 prompt-tuning】
- 提示微调："我带女朋友去桂林旅游" 的英文翻译是___
- 指令微调：翻译这句话：输入：我带女朋友去桂林旅游，输出：_______
二者目的都是挖掘语言模型本身已掌握的知识，prompt是激发语言模型补全能力，是针对某特定任务而言，不同的任务需要给出不同的表达形式；instruct则是激发语言模型的理解能力，是针对任务集合而形成的指令，它能通过理解做什么任务，在未可见任务上泛化能力更强【zero-shot learning】
指令提示微调(Instruction Prompt tuning)
语境提示微调是指结合LLM的ICL能力和prompt-tuning结合到指令提示微调中，将检索到的上下文演示示例和可微调的prompt嵌入式表征进行拼接，能够让LLM在医学领域方面获得不错的应用效果
Large Language Models Encode Clinical Knowledge
https://arxiv.org/abs/2212.13138
Lora微调
- 前人研究发现模型是过参数化的，存在更小的内在维度，可以低秩分解的
- 固定预训练语言模型的参数，额外增加新的参数，增加低秩分解的矩阵可以适配下游任务
- 效果：训练参数量显著降低，显存需求减少（GPT-3 模型上能够把参数量降低到普通fine-tune的万分之一）
- 相比Adapters, LoRA不增加推理延迟