训练与微调

过拟合

Overfitting

模型把训练样本背下来了,换个没见过的输入就失灵。

又称 Overfitting 过训练 背答案

本词条最后核验 2026-11-21 · 由本站编辑整理,欢迎指正

01 详细解释

微调数据少、重复轮次多、或数据里混着大量相似样本时最容易发生:训练损失一路降,但留出集上的表现反而变差。模型学到的是这批数据的巧合,而不是可迁移的规律。

常规处理是加数据、减 epoch、降学习率、做正则与早停,以及留一份真正没碰过的验证集。微调 LoRA 时把 rank 调小,也是在限制它「背答案」的容量。

✦举个例子

用 200 条工单微调后,这 200 条答得一字不差,新工单却全分错类。

✓实战提示

微调前先切 10%–20% 做验证集,边训边看验证集指标,别只盯训练损失。

02 什么时候会碰到它
判断一个新版本到底改了什么时

预训练、对齐、微调、蒸馏各有各的代价。看懂这组词,才能分清「知识量变了」还是「只是更听话了」,也才知道自己的业务该不该做微调。

03 和这几个词怎么区分
04 接着读这几篇

小7分享网 · 聚焦 AI 的实用博客

每天一篇,跟进 AI 行业动态、实测新工具、拆解实战教程。不堆术语,不炒概念,只写真正用得上的内容。

浏览全部文章关于本站

欢迎回来

登录 小7分享网,继续你的精彩

还没有账号?立即注册

忘记密码 ?

创建账号

注册后即可体验完整功能

已有账号?直接登录

我们将发送一封验证邮件至你的邮箱, 请正确填写以完成账号注册和激活