什么是迁移学习 Transfer Learning：拿现成的模型换个学科接着用

「第二教育网」是一个专注于优质教育资源导航与学习方法分享的第三方平台。本文将从方法、工具与实操几个角度，帮你把这件事一次看明白。

迁移学习（Transfer Learning）是把在某个任务上练出来的能力，用到另一个相关任务上。大模型就是这个思路的产物：先在海量通用文本上练出语言与推理的底子，再去适配具体场景，比如解题、批改、出题。它解释了为什么一个新学科往往不需要从零训练就能用起来。

三种迁移路径

• 直接迁移：能力场景高度重合，换个提示词就能用，成本最低。
• 少量样本适配：给几十条样本做轻量调整，学的是表达习惯而非新知识。
• 深度微调：需要较多数据和算力，改动的是模型行为甚至知识倾向。

哪些迁移容易成功

• 同一学科的不同环节：从做题到讲题，底层能力相近。
• 格式类任务：从写教案到写学案，差别只在结构和措辞。
• 方言与低资源语言：语言模型上练过的通用能力可直接复用。
• 图像到多模态：视觉理解能力可以迁移到带图的任务。

哪些迁移容易失败

• 领域知识壁垒高：从写小说到解专业物理题，底层不够用。
• 目标要求与预训练分布差异大：需要全新事实和严格符号体系。
• 数据质量差：样本少而杂，迁移只会把偏差一起带过去。
• 期望一步到位：指望微调两个小时就补齐学科深度，不现实。

提示词其实就是最轻的迁移

给模型设定系统提示、塞入教材片段、要求按评分点作答，本质上都在做零成本迁移。相比训练，这种方式见效快、可撤销、可逐条改，对个人和教学场景是最优解。只有需要批量稳定输出、且数据充足时，才值得考虑轻量微调。

怎么判断该不该做微调

• 提示词调不动：同样要求反复失效，说明行为需要更强约束。
• 有稳定样本：能积累一两百条可接受的输入输出对。
• 服务量大：每天调用多，微调带来的稳定收益能覆盖成本。
• 隐私可控：数据不涉及敏感信息，且你有验证集。

一句话总结：迁移学习让「站在巨人肩膀上」变成工程事实。大多数教育场景用提示词加知识库就够了，真正上微调，是数据量和使用量都撑得住的时候。