同一个模型，输入提示词就能回答；另一次却要准备数据、训练并保存新权重。两种操作究竟改变了什么？读完本文，可以判断是否更新参数，区分预训练和指令微调，并检查推理前后权重是否不变。
自然语言项目常把“训练”“微调”“让模型记住一段提示词”混在一起。预训练建立通用语言规律，指令微调让模型更会按任务要求回应，推理则使用现有参数生成结果。三者的计算开销、数据要求和可回退方式并不相同。
文章目录
- 改了提示词，模型真的学会了吗
- 核心概念与工作机制
- 最小示例
- 验证结果
- 常见误区与适用边界
- 总结
改了提示词，模型真的学会了吗
假设模型昨天回答“请用一句话解释主题”，今天改成“请用表格解释主题”，输出形式立即改变。这通常只是推理输入改变，并不意味着模型权重被更新。只有执行训练步骤、计算损失并应用优化器更新参数，才属于参数学习。
| 操作 | 典型数据 | 是否更新参数 | 主要目的 |
|---|---|---|---|
| 预训练 | 大规模通用文本 | 是 | 学习语言和知识中的统计规律 |
| 指令微调 | 指令与期望回答 | 是 | 提高遵循任务要求的能力 |
| 推理 | 当前输入与上下文 | 否 | 用现有参数产生回答 |
核心概念与工作机制
预训练。模型在大规模序列上优化预测目标，形成可迁移的基础能力。训练目标和语料质量会影响模型能学到什么，但训练数据中出现某个事实并不保证它以后总能准确复述。
指令微调。在已有模型上继续训练，输入通常包含任务说明与期望回答。它改变权重，使输出风格和任务遵循方式更接近示例。微调数据若存在错误、偏见或泄露
