编程智能体与代码 · 工具介绍
PEFT
通过 LoRA 等参数高效方法适配预训练模型，训练并保存适配器，再与基础模型组合进行推理。
PEFT 能做什么
通过 LoRA 等参数高效方法适配预训练模型，训练并保存适配器，再与基础模型组合进行推理。
- 模型训练与部署
如何使用 PEFT
为特定文本任务训练模型适配器
准备输入
- 兼容的基础模型和已整理的训练数据
- 微调方法、目标模块及训练环境
操作步骤
- 加载基础模型，用 LoraConfig 等配置指定微调参数。
- 用 get_peft_model 包装模型，连接训练器在自己的数据上训练。
- 保存适配器，重新加载基础模型与适配器，使用独立样例检查生成结果。
预期交付物
- 适配器文件和可组合加载的任务模型
适配器需要匹配基础模型；参数高效不等于无需算力，训练前检查数据授权、硬件需求和模型使用条件。
开始前需要了解
账号权限、费用与可用功能请以官方入口的当前说明为准。重要结果应先检查，再用于实际工作。
从编程智能体与代码角度评估PEFT
把编程智能体与代码需要的条件列清楚，再比较工具。阅读本页的产品用途、步骤与限制，再逐项确认下面的问题；这些是选型方法，不表示每款工具都具备同样能力。
能否读懂上下文
确认工具能够读取所需目录，且不会引入不必要的资料。
改动是否可审查
优先能展示差异、保留原文件和逐步验证的工作方式。
测试能否说明问题
测试应覆盖用户可见行为，不只证明代码能运行。
选择一个小样任务，先检查结果与交付格式，再决定是否用于更多资料。
