1 prefix Tunning
链接：https://blog.csdn.net/m0_66890670/article/details/142942034 这里有基础的细节介绍。我下面直接总结。
连接2 ：https://zhuanlan.zhihu.com/p/1899112824342577371，简单明了
prefix Tunning改变了什么呢？
✅ Prefix-Tuning 显式扩展了 K/V 投影的尺寸；
✅ Prefix-Tuning 会初始化一个可训练的参数矩阵（Pθ），其维度为 [prefix_length, hidden_dim]。在输入阶段，该前缀矩阵会与原始输入的嵌入向量 直接拼接 ，形成 [PREFIX; X] 的结构。
inputs = torch.cat([prefix, input_ids], dim=1) # 拼接前缀与原始输入计算流程：
- 参数高效性 ：仅需训练前缀参数（
5×768），冻结原始模型权重7。 - 注意力机制扩展：前缀通过修改K/V间接影响注意力分布，无需调整模型结构；
对于前缀 于 X分别进行计算然后拼接。
注意：
链接：https://blog.csdn.net/m0_66890670/article/details/142942034
2 Prompt Tuning
Prefix 与 prompt tunning 在注意力矩阵计算的二者的区别：
