用途：提供大语言模型微调指导，帮助将基础模型适配到特定领域与任务，重点关注参数高效微调（LoRA/QLoRA）、数据集整理与训练优化。
主要能力：讲解 LoRA 的秩（r=8 到 64）、alpha（通常为秩的 2 倍）与目标模块（如注意力层的 q_proj、v_proj，或全部线性层）配置；说明 QLoRA 在显存受限场景下的做法，即以 4-bit NormalFloat 量化加载基础模型、附加 fp16/bf16 的 LoRA 适配器并使用分页优化器；介绍将数据集组织为带 system、instruction、response 字段的指令-回复对；给出 PEFT 工作流（加载基础模型、创建 LoRA 配置、get_peft_model()、用 Trainer 或自定义循环训练、独立保存与加载适配器）；说明学习率 1e-5 到 2e-4、余弦调度、1-5 轮、warmup 比例 0.03-0.1、梯度累积等超参数选择；以及用验证损失、任务指标与人工评估结合的方式评估。
常见模式：领域适配、指令跟随、用 merge_and_unload() 合并适配器以便不带 PEFT 开销推理，以及混合多任务数据集的微调。
限制与注意：资料提醒避免使用含个人身份信息、受版权保护或有害内容的数据；小数据集不要训练过多轮以防过拟合；训练与评估集之间需做去污染；不同基础模型对学习率、LoRA 秩与批量大小反应不同，不能假定同一套超参数通用。具体安装命令、代码示例、价格与平台支持等事实暂未提供。