请列举并说明你知道的大模型微调方法，并简述各自的适用场景。

回答思路

1. 【回答框架 1】大模型微调技术通常分为全参数微调和参数高效微调。全参数微调指对模型所有参数进行更新，代表方法有进一步预训练和指令微调，效果较好但计算资源消耗大。
2. 【回答框架 2】参数高效微调只更新少量额外参数，常见方法包括LoRA、Adapter和Prefix-Tuning。LoRA通过低秩分解模拟权重更新，Adapter在Transformer层中插入小型网络，Prefix-Tuning在输入序列前添加可学习前缀。这些方法显存占用低，适合资源受限场景。
3. 【回答框架 3】选择微调方法需考虑数据量、任务类型和资源限制。数据量充足且资源允许时可选择全参数微调；数据量少或需快速迭代时优先考虑LoRA等参数高效方法。
4. 【回答框架 4】在实际项目中，常用LoRA或QLoRA进行微调，因为它们能在有限显存下实现接近全参数微调的效果。同时需注意避免灾难性遗忘，可结合混合训练或增量学习策略。
5. 【关键点 1】全参数微调效果上限高但资源消耗大，参数高效微调在资源受限时更具性价比。
6. 【关键点 2】LoRA通过低秩分解大幅减少可训练参数，是当前主流的高效微调方法。
7. 【关键点 3】微调方法选择需权衡数据量、任务复杂度和硬件资源。
8. 【易错点 1】不能简单认为参数高效微调效果必然不如全参数微调，实际效果取决于具体任务和数据。
9. 【易错点 2】注意灾难性遗忘，微调后应评估模型在原有能力上的表现。