初学者常对大模型的预训练（Pre-training）、微调（Fine-tuning）和蒸馏（Distillation）感到困惑，三者虽均属模型训练，但目标、数据和实现方式差异显著。

预训练使用海量无标注标注数据（如互联网文本、图像库）进行通识教育（大学基础课程）；微调使用专业领域标注数据（如医疗影像、法律文书、代码库）进行专业培训（入职后的岗位技能培训）；蒸馏使用教师模型的输出（如概率分布、推理链）进行经验传承（老员工带新人）。

预训练（Pre-training）

预训练（Pre-training）：大学通识教育

让模型“学会思考”，具备通用能力。

（1）目标：让模型具备通用能力，理解语言、图像等底层规律。

（2）数据：海量无标注/弱标注数据（如互联网文本、图像库）。

（3）效果：模型具备基础能力，但缺乏针对特定任务的精细技能（类似“通过面试但未上岗”）。

预训练通过海量无标注数据（如互联网文本）让大语言模型（LLM）接受大学通识教育（如数学、物理、英语）。就像大学生先学基础学科，为未来专业方向打基础。

预训练（Pre-training）就是暴力美学，通过堆算力，实现Scaling Low。不过这条路目前有点停滞，因为大模型能学习的互联网高质量数据接近用尽，传统依赖大规模预训练和模型扩张的发展路径正面临瓶颈。

微调（Fine-tuning）

微调（Fine-tuning）：专业培训（入职后的岗位技能培训）

让模型“学会干活”，针对特定任务优化。

（1）目标：让模型在特定任务上表现优异。

（2）数据：专业领域标注数据（如医疗影像、法律文书、代码库）。

（3）效果：模型在特定任务上达到高精度（类似“上岗干活”）。

大语言模型在预训练模型基础上通过大量标注数据进行微调（调整模型最后几层参数），从而学习垂直领域的专项技能。就像医生入职后学习专科知识（如心内科、骨科），针对具体岗位提升技能。

微调（Fine-tuning）是目前将通用大模型训练为垂直大模型比较有效的方式。Adapter微调在预训练模型中插入轻量级模块（如Adapter层），仅训练这些模块，减少参数更新量；而LoRA微调则通过低秩矩阵分解，降低微调时的参数更新量，提升效率。

蒸馏（Knowledge Distillation）

蒸馏（Knowledge Distillation）：经验传承（老员工带新人）

让模型“学会传承”，将大模型的经验迁移到小模型。

（1）目标：将大模型（教师）的知识迁移到小模型（学生）。

（2）数据：教师模型的输出（如概率分布、推理链）。

（3）效果：学生模型在保持轻量化的同时，学习到教师的经验（类似“新人快速上手”）。

小模型通过蒸馏学习到大模型（教师）的“软标签”（如概率分布）或推理过程。就像老员工将经验传授给新人，而非直接学习书本知识。

大模型虽性能卓越，但部署成本高（如推理延迟、内存占用）。蒸馏通过将大模型（教师模型）的“隐性知识”迁移到小模型（学生模型），实现轻量化部署，同时保留核心能力。这样可以解决AI在资源受限、隐私敏感、领域垂直等场景中的应用。