预训练与微调
LLM 的能力分阶段获得。面试主线：三阶段各干什么、微调方式对比、LoRA 原理、微调 vs RAG。
三阶段训练
三阶段: 知识 → 指令 → 对齐
| 阶段 | 数据 | 目标 | 成本 |
|---|---|---|---|
| 预训练 | TB 级文本 | 语言能力 + 世界知识 | 极高（千卡月级） |
| SFT | 万-百万级指令对 | 指令跟随、问答格式 | 高 |
| RLHF/DPO | 人类偏好标注 | 有用、无害、诚实 | 中 |
- RLHF：奖励模型打分 + PPO 强化学习（复杂、不稳定）
- DPO：直接偏好优化，用偏好对直接训练（简单、稳定），现代开源主流
微调方式对比
| 方式 | 更新参数 | 成本 | 适用 |
|---|---|---|---|
| 全参微调 | 全部 | 极高 | 领域大模型 |
| LoRA | 低秩适配器（<1%） |
低 | 主流选择 |
| QLoRA | LoRA + 量化 | 更低 | 单卡微调 |
| Prompt/上下文学习 | 无（改输入） | 零 | 快速适配 |
LoRA 原理：权重更新 ΔW 是低秩矩阵，分解成 A×B 两个小矩阵（如 rank=8），只训练小矩阵，冻结原模型：
W' = W + α·A·B
A: (d×r), B: (r×d), r << d- 显存和训练量降一个量级，效果接近全参微调
- 可插拔：多个 LoRA 适配器共用一个基座模型，按任务切换（推理服务常见）
微调 vs RAG vs 提示工程
| 方案 | 解决 | 代价 |
|---|---|---|
| 提示工程 | 快速适配、零成本 | 能力有限、占上下文 |
| RAG | 外部知识、实时更新 | 检索质量决定上限 |
| 微调 | 风格/格式/领域知识内化 | 成本高、更新慢 |
面试话术：知识更新用 RAG，行为改变用微调。先提示工程，再 RAG，再微调（成本递增）。
面试追问
- 三阶段各干什么？ 预训练学知识、SFT 学指令、RLHF/DPO 学对齐。成本递减
- RLHF 和 DPO 的区别？ RLHF 是奖励模型 + PPO（复杂），DPO 直接偏好优化（简单稳定）。开源主流用 DPO
- LoRA 原理？ 权重更新分解为低秩小矩阵，只训小矩阵冻结原模型。显存降一个量级，可插拔
- 微调和 RAG 怎么选？ 知识更新用 RAG（实时），行为/风格用微调。成本递增：提示 → RAG → 微调
- 全参微调为什么贵？ 优化器状态 + 梯度都按全模型存。LoRA 只存小矩阵，显存大降