请列举几种常用的模型微调策略，并分别说明它们的优点和缺点。

回答思路

1. 【回答框架 1】全量微调（Full Fine-tuning）指对预训练模型的所有参数进行更新，优点是能充分适应目标任务，性能上限高；缺点是计算和存储成本高，需要大量标注数据，且容易过拟合，部署时需保存完整模型副本。
2. 【回答框架 2】参数高效微调（PEFT）如LoRA、Adapter、Prefix-tuning等，只更新少量额外参数或低秩矩阵，优点是显存占用低、训练速度快、可插拔部署，适合多任务场景；缺点是性能可能略低于全量微调，且需要针对不同任务设计适配结构。
3. 【回答框架 3】提示微调（Prompt Tuning）通过优化连续提示向量或离散提示文本，冻结模型主体，优点是参数极少、训练成本低，适合大模型；缺点是效果依赖提示设计，对复杂任务可能不够稳定。
4. 【回答框架 4】对比选择时，需考虑数据量、算力、任务复杂度、部署要求：数据充足且追求极致性能可选全量微调；资源受限或多任务场景优先PEFT；超大模型或快速迭代场景可尝试提示微调。
5. 【回答框架 5】实际应用中常结合策略，如先用PEFT快速验证，再决定是否全量微调；同时需监控过拟合和灾难性遗忘风险。
6. 【关键点 1】全量微调性能高但成本高，易过拟合。
7. 【关键点 2】PEFT（LoRA、Adapter等）在资源受限时性价比高，性能接近全量。
8. 【关键点 3】提示微调参数最少，适合大模型但稳定性需验证。
9. 【关键点 4】选择策略需权衡数据量、算力、任务复杂度和部署需求。
10. 【关键点 5】可组合使用策略，并注意灾难性遗忘。
11. 【易错点 1】不能断言PEFT一定优于全量微调，性能取决于任务和数据。
12. 【易错点 2】提示微调并非对所有任务都有效，复杂推理任务可能效果不佳。
13. 【易错点 3】忽略过拟合和灾难性遗忘风险，尤其在数据量小时。