提示调优和模型微调差在哪？改问法和改模型

提示反反复复改，输出还是不稳定，这时有两条路：继续改问法，或者动手改模型。智谱清言这类平台把调优做成了界面操作，ModelScope 上则有完整的微调工具链。提示调优和模型微调是两条路线，投入和回报结构完全不同，本篇对比着讲。判断问题层级有个简单办法：把任务讲给一个聪明但没背景的人听，他能做对、模型做不对，是提示问题；他也做不对，是能力问题。

结论先行：改动的深度决定选择

提示调优在模型外部做文章：换措辞、加示例、调结构，模型本身一个参数没动。微调在模型内部做文章：用一批训练数据更新参数，让模型记住新的行为模式。选择的分水岭是：问题出在「没说清」还是「不会做」。说清就能做对的，调优；说了也做不到的，微调。顺序上永远先调优，把提示的空间用尽再考虑动模型。

差异一：动了模型的什么

调优改的是输入：同样的模型，不同的问法，得到不同的输出，效果随提示起落。微调改的是参数：模型对某类任务的默认行为被重写，输出不再依赖提示写得细不细。直观的差别在稳定性：调优的效果依赖每次提示都到位，微调的效果一旦训练完成就固定在模型里。一个是外功，一个是内功，修炼方式完全不同。外功的优势是可逆：提示不满意随时换；内功的代价是难回退：训坏了只能再训一次，两次都要花钱。

差异二：成本与周期

调优的成本是时间和测试：改一版提示，跑一批样本，当天见效，试错几乎免费。微调的成本是数据和算力：要准备成百上千条高质量样本，训练要排队、要花钱，一轮下来以天计。更隐蔽的成本是维护：微调过的模型绑定了那批数据，业务一变就要重新训；提示随时能改，灵活性的差距悬殊。数据准备的工作量也常被低估：清洗、标注、去重，占微调整个周期的大半。时间成本之外还有机会成本：微调期间任务停摆或降级运行，这个损失常被忽略。

差异三：能力边界

调优能解决表达层的问题：格式、风格、口径、流程编排，上限是模型本来就有的能力。微调能补知识层的问题：行业术语、专有格式、特定任务的处理习惯，这些是提示里教不会或教不全的。但微调不是万能钥匙：数据质量差，训出来的模型还不如原版。先弄清问题在哪一层，再选路线，是最省钱的走法。还有一条中间路线叫检索增强：把领域知识放在外部库里现查现用，不动参数也能补知识，先试它再试微调。

输出层的问题多靠调优解决，形态选择见结构化输出与自然语言输出；调优素材哪里找，参考开源提示库与自己攒；领域知识要不要进提示，见通用提示和领域提示；调优效果的验证方式，参考人工测试和自动评测。

两条路线速查表

• 没说清选调优，不会做选微调
• 调优当天见效，微调以天为周期
• 微调数据质量优先，量其次
• 先榨干提示空间，再考虑动参数

一句话收住：改问法是快刀，改模型是重器。

两条路线并不冲突，成熟的方案常常是微调打底、调优跟进，各守一层。先问、再搜、后训，是投入从低到高的顺序，别倒着来。

提示微调快问快答三则

• 微调需要多少数据？：几百条起步能看出方向，上千条才谈得上稳定，质量比数量更要紧。
• 微调后还要写提示吗？：要，微调管默认行为，具体任务的格式和口径仍靠提示约定。
• 怎么判断该调优还是微调？：拿三条写得很细的提示去测，全都做不对，说明提示已到头，才考虑微调。