一个大模型时代的好问题2023 年一家知名法律 AI 公司做了一件当时看起来很正确的事。他们和前沿实验室合作用自己的法律数据微调了一个专属模型。盲测结果律师们 97% 的情况下更喜欢这个微调模型而不是当时的王者 GPT-4。完美的定制化胜利。但到了 2025 年同一家公司做了自己的法律基准测试把微调模型和最新的通用前沿模型放在一起比。结果是7 个通用模型从来没有接受过任何法律微调全部超越了这家公司的定制模型。Bloomberg 也踩过同样的坑。他们从零训练了 BloombergGPT后来发现 GPT-4 和 ChatGPT 在很多金融基准上反超了它。一个反直觉的结论浮出来了通用模型自己变强了强到不需要你微调也能干你的专业活。那微调到底还值不值得做这篇文章把这个问题一次拆透。一、微调到底是什么先说清楚概念。你拿到一个基座模型它是从互联网上海量数据训练出来的有大量通用知识烘焙在权重里。这就像一个什么都学过一点的通才。微调做的事是在基座模型的基础上继续训练但这次用的是聚焦数据集比如法律合同、企业内部工单这些是互联网上搜不到的东西。训练完之后你得到一个微调模型它同时拥有基座模型的通用能力和你的专业知识。理论上它在某些窄任务上应该更好。听起来很合理。但现实给了它一巴掌。二、通用模型为什么追上来了2023 年微调还有优势到 2025 年就被通用模型反超了。原因有三个第一上下文窗口变大了。GPT-3 当年的 token 窗口只有 2000。今天的前沿模型动辄 100 万 token 以上。如果模型能直接在提示词里读 500 页法律文档为什么还要把文档烘焙进权重里能在提示词里塞进去的东西就不需要烘焙进权重。第二推理模型出现了。推理模型在回答前会做扩展思考一步步推理。这种推理能力来自模型在被提问时的思考深度而不是几个月前的训练方式。换句话说聪明的来源变了从训练时记住变成提问时思考。第三推理成本持续下降。模型越来越高效、越来越便宜。当通用模型自己不停变强变便宜你微调的定制模型就成了一个移动靶。等你微调完发布上线下一个通用模型可能已经把你超了。三、不碰权重也能让模型变专家如果不动权重怎么让通用模型表现得像个专家视频里给了一套完整的定制化技术栈全部不需要碰模型权重1. RAG检索增强生成不把文档训练进模型而是在查询时实时检索相关文档塞进提示词里。文档更新了RAG 立刻能用新数据不用重新训练。2. Context Engineering上下文工程好的提示词不是一句话而是一个精心组装的上下文包系统提示、相关数据、格式要求打包在一起。模型读到的上下文质量决定输出质量。3. Agent Skills智能体技能把程序性知识打包成结构化的技能文件。比如不微调模型去学某个特定数据库的 SQL 写法而是写一个 SQL 技能文件任何通用模型都能按需加载使用。微调是把知识烘焙进权重。RAG、上下文工程和技能是把知识放在外面按需喂给模型。这三层的共同点模型权重一动不动但行为完全可以定制。而且更新成本远低于微调。四、微调不是免费的在决定微调之前要算清几笔账数据收集成本需要准备高质量的聚焦数据集评估成本每次微调后都要评估效果避免回归维护成本通用模型每升级一次你的微调模型可能就要重训机会成本花在微调上的时间和算力可能花在 RAG 和上下文工程上回报更高微调不是一次性投入是一个持续的维护承诺。五、那微调什么时候还值得做微调没有死但它的适用场景比 2023 年窄了很多。目前还有三个场景值得考虑场景一低延迟是硬约束比如语音助手接电话必须实时响应。前沿推理模型思考太慢一个小型微调模型可能更快。场景二蒸馏用大模型生成高质量输出然后用这些输出微调一个小模型。本质上是把大模型的推理能力“压缩”进小模型里用更低的成本获得接近的效果。场景三强化微调RFT不用固定答案训练而是用一个评分器grader给候选答案打分模型学习让高分答案更可能出现。但 RFT 有个硬限制只有当输出能被程序化评分时才有效也就是必须有明确对错的场景。六、今天的决策框架把所有东西放在一起今天面对“要不要微调”这个问题决策顺序应该是优先级方法触发条件1基座模型 提示词工程默认起点2 上下文工程需要更精确的输出控制3 RAG知识是新鲜的或专有的4 Agent Skills缺少程序性操作知识5 微调LoRA 等以上全部解决不了的特定瓶颈先把不碰权重的技术栈用满微调是最后一张牌不是第一张。大多数情况下你走到第三或第四层就够了。只有遇到延迟、蒸馏或可评分场景时才值得翻到第五层。结尾2023 年微调是定制化的默认答案。2025 年它变成了最后手段。这不是因为微调变差了是因为不碰权重的替代方案变强了而且通用模型自己追上来了。技术选型的本质不是选最强的工具是选成本最低、维护负担最小、能解决问题的那一层。那你现在的项目走到第几层了有没有在第一层就能解决的问题却被你用微调复杂化了
