讀完這篇文章，你將清楚了解模型微調（fine-tuning）的定義、它與RAG及提示工程的真正分別、實際成本結構，以及在批准任何微調預算之前必須提出的三個問題。
微調是企業AI預算中最容易被誤解的一項。有企業視之為解決所有準確性問題的靈丹妙藥，也有企業完全迴避，甘於接受通用工具的平庸輸出。兩種立場通常都是錯的，而代價以真金白銀計算。
什麼是模型微調？
模型微調是指在一個已預先訓練的大型語言模型之上，用你機構自己的範例繼續訓練，讓模型永久學會你偏好的行為、語氣、輸出格式與行業慣例。與提示工程或檢索不同，微調改變的是模型內部的權重，而非在每次請求時提供指示。
可以把預訓練模型想像成一位能力極高的畢業生新人。提示工程是每次交辦任務時給予詳細指示；微調則是讓這位新人完成公司的入職培訓，使正確的做法成為本能。
決策者最需要記住的原則是：微調管的是「形式」，不是「事實」。它擅長教會模型如何回應、用什麼結構與詞彙；但對於每星期都在變化的知識，微調是差劣的載體，因為知識在訓練一刻已被凍結。
微調並不等於從零訓練模型。企業幾乎都是從一個成熟的商用或開放權重基礎模型出發作調整，成本只是自建模型的一小部分。
微調與RAG及提示工程有什麼分別？
提示工程在請求時給模型下指示，試錯成本近乎零；RAG（檢索增強生成）把你的文件取出並作為上下文提供，讓答案保持最新；微調則直接改寫模型本身，換取穩定一致的行為。IBM的官方比較指出，三者是互補工具而非競爭關係，生產系統多數同時使用至少兩種。
2026年有經驗的AI團隊普遍遵循的次序是：先提示，後RAG，最後才微調。只有在較便宜的方法被證明觸及天花板時，才升級到下一層。
RAG負責新鮮事實。若你的應用依賴政策文件、價目表或法規等會變動的內容，檢索能讓模型保持誠實而毋須重新訓練。微調負責行為。若任務要求嚴格的輸出格式、特定的專業語域，或難以在提示中言傳的判斷準則，調整權重才是真正見效的手段。
IBM的比較分析同時點出企業最常見的錯誤：用微調去修補本來只需改善提示或檢索、成本只需十分之一的問題。
企業何時應該微調模型？
同時滿足三個條件時才微調：提示工程已觸及可量度的效能上限；任務需要高流量、格式一致的專業輸出；你能夠整理出數百個高質素的目標行為範例。三者缺一，較便宜的方法都會是更好的選擇。
以一家香港金融服務公司為例：客戶合適性評估摘要格式嚴格、監管詞彙精確、每月產量以千計。提示工程的輸出不斷偏離公司格式，最終以過往已審批的摘要作窄域微調，把格式鎖定，審核時間顯著縮短。
MIT NANDA計劃發表的《The GenAI Divide: State of AI in Business 2025》報告發現，通用AI工具在企業環境停滯不前，正因為它們不會學習或適應機構的工作流程。微調是少數能直接收窄這個「適應差距」的槓桿。
實務界有一條實用的經驗法則：如果你無法收集至少500個高質素範例，就代表你尚未準備好微調。範例本身才是產品，訓練只是交付機制。
什麼情況下微調是錯誤選擇？
當問題出於知識時效、使用量偏低、缺乏評估數據，或真正癥結是檢索質素差時，微調都是錯誤選擇。微調把昨天的知識固化入模型，任何每星期都會變的內容應該放進RAG管道，而不是寫入權重。
Gartner曾預測，直至2026年，大多數缺乏「AI就緒數據」支撐的AI項目將被放棄。微調把這個風險放大：一批不一致、過時或標註錯誤的訓練數據，會產出一個「自信而永久地錯」的模型。
微調本身也不能治癒幻覺。如果模型因為接觸不到你的原始文件而虛構事實，解方是檢索與事實錨定，而非更多訓練。用微調去修幻覺的團隊，往往花費數月只換來邊際改善。
對仍在變動中的用例也應保持警惕。任務每一次實質改動，都意味着重建訓練集、重跑微調。先讓流程穩定下來，才把它寫入權重。
微調的成本是多少？
訓練本身往往是最便宜的一環。主要供應商的託管微調服務按訓練詞元收費，開放權重模型上的適配器方法只需有限的雲端GPU預算。最大的成本是人力：收集、清洗、標註範例，再建立評估基準，通常佔項目大部分工作量。
現代企業極少重訓模型的全部參數。LoRA（低秩適配）一類技術只在凍結的基礎模型上訓練一層小型適配器。2026年的實務分析普遍顯示，在窄域任務上，一次執行得宜的適配器微調能以遠低的推理成本，達到大型通用模型的大部分質素。
預算要涵蓋整個生命週期，而非只有首次訓練。生產級微調需要保留測試集、漂移監控，以及隨任務演變的定期重訓。只為首次訓練編列預算的機構，往往兩季之內便悄悄棄用模型。
對香港中型企業而言，務實的第一個微調項目是：選一個窄而高流量的任務，用適配器方法，對照清晰基準量度成效。這樣投資可控制在數萬港元級別，而非數百萬。
微調在實務上如何運作？
一個生產級微調項目有五個階段：收集並清洗範例配對、選定基礎模型、訓練（通常用LoRA等適配器而非整個模型）、以保留測試集評估、部署並持續監控。任務與數據演變後，循環再次開始。
第一階段決定成敗。你最好的範例其實早已存在：已審批的文件、獲高評分的客服回覆、編輯定稿的報告。工作在於策展、移除個人資料，並整理成「指令與回應」配對。
評估值得管理層親自關注，因為它就是你的ROI證明。訓練前先以數字定義何謂「更好」：格式合規率、與人工定稿的差異距離、或審核者接納率，並先在基礎模型上跑同一套評估，取得可對照的基線。
部署不是終點。業務改變，微調模型便會過時。指定負責人、安排季度覆核，並訂明觸發重訓的條件。
微調有哪些風險與常見陷阱？
主要風險包括過擬合、災難性遺忘、個人資料滲入模型權重、供應商鎖定，以及自訂模型失控擴散。每一項都可以透過治理管控，但在設計階段預防的成本，遠低於部署後補救。
過擬合指模型死記範例而非學會規律，測試表現好、實戰表現差；災難性遺忘指過度激進的微調令模型喪失原有的通用能力。兩者都是供應商或內部團隊應該量度並匯報的技術指標，管理者應主動索取這些數字。
私隱風險在香港尤須加倍重視。個人資料一旦進入訓練集，便極難從訓練出的權重中移除，這與《個人資料（私隱）條例》中關於保留及使用限制的保障資料原則存在張力。任何訓練啟動前，必須要求提供訓練數據去識別化的書面證明。
同時要治理整個組合。一個團隊微調成功，其他團隊便會跟隨，企業很快會累積十多個無文檔的自訂模型。建立登記冊：每個模型用什麼數據訓練、誰負責、最後一次評估在何時。
微調對香港企業意味着什麼？
對大多數香港中型機構，勝出的次序是紀律性的：先用盡提示工程，再建好檢索，最後只在流量與一致性足以支撐投資的環節，施以窄域微調。紀律之所以重要，是因為「採用AI」與「靠AI賺錢」之間的差距既寬且可量度。
根據麥肯錫2025年11月發表的全球AI調查，88%的機構已在至少一個職能使用AI，但只有39%匯報對盈利有任何影響。分野很少在技術本身，而在於機構有否把正確的技術配對到正確的問題。
香港有自己的獨特脈絡：繁體中文與英文的雙語輸出要求、文件標準嚴格的受監管行業，以及緊絀的AI人才市場。這些條件都指向以適配器方法取代重型自建。一個把雙語公司文風鎖定於單一高流量文件類型的窄域微調，是非常穩健的第一個項目。
批准任何微調預算前，先問三個問題：提示或RAG觸及了什麼可量度的上限？500個以上的高質素範例從何而來？上線後誰負責評估與重訓循環？答案含糊，項目就未成熟。
總結
微調既非靈丹妙藥，也非奢侈品。它是把機構行為教給模型的精密工具，在流量高、任務穩定、優質範例充足時才有理據。先提示、後檢索、最後微調，並在每一階段要求評估數字。
依循這個次序的企業，能把AI從昂貴的實驗變成可靠的團隊成員。懂AI的冷，更懂你的難，UD同行28年，讓科技成為有溫度的陪伴。
掌握了框架，下一步是找出你機構中真正值得自訂模型的工作流程。UD團隊手把手帶你完成每一步：從AI準備度評估、技術選型，到部署上線與成效追蹤，28年企業服務經驗，全程陪你走。
