知识卡片：训练后适应技术的六维分类法及其在AI治理中的应用

一句话结论

本文提出一个六维分类法，用机制、目标、数据需求、持久性、结构范围和模型类型六大维度统一描述与比较训练后适应（post-training adaptation）技术，为AI治理中的模型变更追踪提供共同词汇表。

事件概述/研究问题

训练后适应已成为现代机器学习实践的核心，包含重训练、微调、参数高效适应、对齐、检索增强、模型编辑、遗忘、校准和多模态指令微调等。然而，相关文献在技术族、模型类别和部署场景之间高度碎片化，导致不同方法难以比较，训练后模型究竟被如何修改也缺少统一描述。该综述旨在整合这些文献，提出一个系统的分类框架。

方法/产品要点

• 提出六维分类法：机制（mechanism）、目标（goal）、数据需求（data requirement）、持久性（persistence）、结构范围（structural scope）、模型类型（model type）。
• 区分常被混用的术语，例如微调（fine-tuning）、检索增强（retrieval augmentation）与提示（prompting）。
• 梳理适应策略的演化路径：从传统机器学习、深度学习、基础模型、大语言模型到多模态大语言模型。
• 映射技术之间的关系，包括继承（inheritance）、取代（supersession）、杂交（hybridization）和分层部署栈（layered deployment stacks）。

主要结果或产业意义

该分类法提供的词汇表可用于技术文档编写、模型变更跟踪和治理分析。论文同时指出了多项开放挑战：评估、可复现性、持久推理时适应、遗忘、多模态适应，以及“治理感知”的训练后工作流。

为什么重要

在AI监管日益要求“模型被修改过什么、如何修改”可追溯的背景下，本文直接回应了这一需求：它不是提出某个具体的微调技巧，而是为所有训练后适应技术建立公共描述语言。与已有相关卡片相比，增量信息在于：本卡片聚焦训练后适应技术的分类学框架，而不是模型认知能力差距或某一个微调失败机制。

局限与不确定性

• 当前仅基于arXiv摘要，论文的完整内容未核实；六维度各自的取值、编码规则和具体技术映射方式需阅读原文确认。
• 作为综述，其文献覆盖范围、检索方法、分类效度与实证验证尚未公布，均待核实。
• 摘要未给出该分类法在真实AI治理流程中的应用案例，实际效用待核实。

可用于图书/PPT/简报的角度

• “模型改造说明书”：如何用六维标签描述一次模型更新。
• “微调不是全部”：训练后适应技术谱系图。
• “AI治理需要统一语法”：从模型变更追踪到监管记录。
• “技术演化四关系”：继承、取代、杂交、分层部署。

与既有脉络的关系

• 与“生成式与智能体AI的认知能力差距分类学”不同，本文不讨论模型能力边界，而是为训练后适应技术本身建立分类法。
• 与“大语言模型中的超级权重与选择性训练的失败”相比，本文从整体分类学视角将微调、参数高效适应等放入统一框架，可用于解释为何选择性训练会失败（微调需要结构化、机制化理解），但该关联仅为延伸推断，原文未明确讨论。

原始材料

• 英文标题：A Six-Dimensional Taxonomy of Post-Training Adaptation Techniques with Applications in AI Governance
• 英文关键词：Post-training adaptation; Six-dimensional taxonomy; AI governance; Fine-tuning; Parameter-efficient adaptation; Alignment; Retrieval augmentation; Model editing; Unlearning; Calibration; Multimodal instruction tuning
• 来源：arXiv:2608.06246v1 [cs.LG]
• URL：https://arxiv.org/abs/2608.06246v1
• 作者：Fardin Afdideh, Fernando Seoane, Farhad Abtahi
• 发布时间：2026-08-06