_{🧠 记忆锚点：全量更新能力强但成本高；PEFT 冻结主干，只训练小增量，先用它建立基线。}

💡 答案要点

核心区别：更新多少参数

类型	更新参数量	内存占用	训练时间	效果
全量微调	100%	高（需存储全部梯度）	长	最好
PEFT	0.1-1%	低（只存储少量梯度）	短	接近全量

PEFT 的主要方法：

参数高效微调（PEFT）
├── LoRA（Low-Rank Adaptation）
├── Adapter（适配器层）
├── Prompt Tuning（提示词微调）
├── Prefix Tuning（前缀微调）
└── P-Tuning（混合方法）

资源对比（以 7B 模型为例）：

方法	可训练参数	GPU 显存	训练时间
全量微调	7B（100%）	~80GB	10h
LoRA	70M（1%）	~20GB	3h
Prompt Tuning	1M（0.01%）	~16GB	1h

面试话术：

示例表达（仅在能用本人经历或可复现实验佐证时使用）： "PEFT 是用 1% 的参数达到 95% 的效果。特别是 LoRA，在资源受限时是首选。我在项目中用 LoRA 微调 13B 模型，单卡 A100 就够了。"