前言
以BERT模型为代表的“预训练语言模型 + 下游任务微调”训练模式成为了自然语言处理研究和应用的新范式。此处的下游任务微调是基于模型全量参数进行微调（全量微调）。
以 GPT3 为代表的预训练语言模型（PLM）参数规模变得越来越大，这使得在消费级硬件上进行全量微调变得不可行。除此之外，模型全量微调还会损失多样性，存在灾难性遗忘的问题。
ps：全量finetune它们动辄需要几十至上百G显存训练部署，一般的实验室和个人开发者无力承担。
由此引出高效微调的方法，高效微调是指固定大部分预训练参数，仅微调少量或额外的模型参数，从而大大降低了计算和存储成本，同时，也能实现与全量微调相当的性能。在某些情况下，高效微调比全量微调效果更好，可以更好地泛化到域外场景。
高效微调技术粗略分为以下几类：
- 增加额外参数（A）：类适配器（Adapter-like）、软提示（Soft prompts）
- 选取一部分参数更新（S）
- 引入重参数化（R）
常见的参数高效微调技术有BitFit、Prefix Tuning、Prompt Tuning、P-Tuning、Adapter Tuning、LoRA等。
PEFT
PEFT（Parameter-Efficient Fine-Tuning，参数高效微调）是一个用于高效微调的库。
支持多种任务和模型，包括
- Causal Language Modeling（LLaMA、ChartGLM等）
- Conditional Generation（T5、BART等）
- Sequence Classification
- Token Classification
- Text-to-Image Generation（Stable Diffusion）
- Image Classification（ViT、Swin）
- Image to text (Multi-modal models)
- …
支持的微调方法： - LoRA
- Prompt tuning
- IA3
- …
SWIFT
SWIFT（Scalable lightWeight Infrastructure for Fine-Tuning）是基于PyTorch的轻量级、开箱即用的大模型微调、推理框架。它不仅集成了各类开源tuners，如LoRA、QLoRA、Adapter等，并且融合了ModelScope（魔塔）独立自研的特有tuner ResTuning，得益于此，各个模态的开发者均可以找到适合自己模型的开发方式。
SWIFT可以无缝集成到ModelScope生态系统中，打通数据集读取、模型下载、模型训练、模型推理、模型上传等流程。此外，SWIFT与PEFT完全兼容， 熟悉PEFT的用户可以使用SWIFT能力结合ModelScope的模型进行便捷地训练推理。
作为ModelScope独立自研的开源轻量级tuner ResTuning，该技术在cv、多模态等领域均经过了系列验证，在训练效果和其他微调方法相当的情况下，可以做到显存节省30%~60%，为cv、多模态模型的训练提供了新的范式，在未来会应用在越来越多的场景上。
- 支持的模型：
qwen 系列、qwen-vl 系列、baichuan 系列、chatglm2 系列、llama 系列、openbuddy-llama 系列、internlm 系列、stable diffusion系列、其他系列模型（polylm-13b，seqgpt-560m） - 支持的数据集：
- NLP：alpaca-en (gpt4)，alpaca-zh (gpt4)，finance-en，multi-alpaca-all，code-en，instinwild-en，instinwild-zh，cot-en，cot-zh，firefly-all-zh，poetry-zh，instruct-en，gpt4all-en，cmnli-zh，jd-zh，dureader-robust-zh，medical-en，medical-zh，medical-mini-zh，sharegpt-en，sharegpt-zh，code-python-zh，advertise-gen
- Agent：damo-agent-zh，damo-agent-mini-zh
- 多模态：coco-en
- 其他：cls-fudan-news-zh，ner-jave-zh
- 可支持的微调方法：LoRA，QLoRA，ResTuning，Side，Prompt，Adapter，PEFT全系列tuners，全参数
- 支持的显卡：GTX20系列、30系列、40系列消费级显卡，A10，A100，V100，T4，H100