模型调优是调整 Gemini 以更准确地执行特定任务的关键过程。模型调优的工作原理是为模型提供训练数据集，其中包含一组特定下游任务的示例。
本页面简要介绍了 Gemini 的模型调优，介绍了 Gemini 可用的调优选项，并可帮助您确定应在何时使用每个调优选项。
调优模型的好处
模型调优是针对任务自定义大型模型的有效方法。这是提高模型质量和效率的关键步骤。模型调优具有以下优势：
- 提高特定任务的处理质量。
- 提高了模型稳健性。
- 提示较短，因此推理延迟时间和费用更低。
调优与提示设计比较
与提示设计相比，调优具有以下优势。
- 允许对模型进行深度自定义，从而在特定任务上获得更好的性能。
- 提供更一致、更可靠的结果。
- 能够一次处理更多示例。
调优方法
参数高效调优和完全微调是自定义大型模型的两种方法。这两种方法在模型质量和资源效率方面有各自的优势和影响。
参数高效微调
参数高效调优（也称为适配器调优）可让大型模型高效地适应您的特定任务或领域。参数高效的调优会在调整过程中更新模型参数中相对较小的子集。
如需了解 Vertex AI 如何支持适配器调优和传送，请参阅《大型基础模型自适应》白皮书了解详情。
全面微调
全面微调会更新模型的所有参数，它适合用来调整模型以适应高度复杂的任务，同时尽可能提高任务完成质量。但是，全面微调需要更多计算资源来进行调优和传送，从而导致总体费用更高。
参数高效调优与完全微调对比
与全面微调相比，参数高效调优更省资源且更经济实惠。它会使用大幅减少的计算资源进行训练。 它能够使用较小的数据集更快地调整模型。参数高效调优的灵活性为多任务学习提供了一种解决方案，无需进行大量重新训练。
调优 Gemini 模型
Gemini 模型 (gemini-1.0-pro-002) 支持以下调优方法：
-
Gemini 模型的监督式微调可以通过让模型学习新技能来提高模型的性能。此方法使用包含数百个有标签样本的数据来训练模型，让其模拟所需的行为或任务。每个有标签样本均展示您希望模型在推理期间输出的内容。
如果您拥有明确定义的任务以及已加标签的数据，则监督式微调是理想之选。监督式微调使用带标签的数据集调整模型行为。此过程会调整模型的权重，以最大限度地减少其预测结果与实际标签之间的差异。
配额
系统对并发调优作业的数量实施配额。每个项目都配有运行至少一个调优作业的默认配额。这是一个全球配额，所有可用区域共用这一配额。如果要同时运行更多作业，则需要为 Global concurrent tuning jobs 申请更多配额。
价格
适用于 gemini-1.0-pro-002 的监督式微调目前为预览版。
- 在调优处于预览版阶段期间，调优模型无需付费。
- 调优模型后，调优后模型的推理仍然会产生费用。Gemini 1.0 Pro 的每个稳定版的推理价格都相同。
如需了解详情，请参阅 Vertex AI 价格和可用的 Gemini 稳定模型版本。
后续步骤
如需了解如何准备调优数据，请参阅准备监督式微调数据。
如需了解如何在构建生成式 AI 知识库的解决方案中使用监督式微调，请参阅快速起步解决方案：生成式 AI 知识库。