训练后适配技术的六维分类法及其在AI治理中的应用

该论文提出了一种六维分类法，用于整理大模型训练后的适配技术，涵盖重新训练、微调、参数高效适配、对齐、检索增强、模型编辑、去学习、校准及多模态指令调整等。该分类法依据机制、目标、数据需求、持久性、结构范围和模型类型六个维度，区分了容易混淆的术语，并梳理了技术间的继承、取代、混合与分层部署关系，旨在支持技术文档、模型变更追踪与AI治理分析。

此前训练后适配技术文献分散，不同技术族、模型类别与部署场景之间难以比较，也缺乏统一术语，导致无法清晰描述模型如何被修改。该论文首次引入系统化六维分类法，统一了术语并为模型变更追踪和治理提供了分析框架，填补了这一空白。

论文通过提炼六维属性（机制、目标、数据需求、持久性、结构范围、模型类型）来结构化描述各种适配技术，并识别技术间的继承、取代、混合与分层部署关系，从而构建统一词汇表，使横跨不同技术族和模型类别的比较与治理分析成为可能。

对依赖大模型的企业而言，该分类法可直接用于技术选型、文档编写和模型变更记录，便于内部审计与合规审查。它还能辅助产品团队厘清采用不同适配技术（如检索增强、微调、去学习）的边界与后果，降低因术语混淆导致的开发与治理风险。

• 基于六维分类法开发内部模型适配登记工具，记录每次变更的类别与属性，支持AI治理审计。
• 面向技术决策者设计“适配技术选型指南”交互页面，按六维维度对比不同技术的适用场景。
• 在模型文档中强制要求标注六维属性，提升模型卡的标准化程度，增强用户信任。
• 开发自动化模型变更摘要功能，根据分类法自动生成变更说明，供合规团队参考。

• 该分类法是否已在真实企业部署中得到验证？
• 未来是否会推出配套的量化评估指标？
• 模型编辑与去学习在多模态模型上的适配效果是否已被充分检验？
• 治理感知的适配工作流在多大程度上能落地为行业标准？