在全球人工智能技术激烈竞争、大模型加速赋能产业的关键阶段，**微调技术成为推动落地的核心突破口。近日，奇富科技在大模型**参数微调领域的**研究成果PrAd: Prompt Adaptive Tuning for Decoder-only Language Models被****NLP学术会议EMNLP 2025 Findings收录。这意味着**科技企业在人工智能基础研究方面再次获得**学术界的认可。

　　EMNLP(Conference on Empirical Methods in Natural Language Processing是自然语言处理(NLP领域最**、**影响力的**学术会议之一，与ACL和N**CL共同构成NLP领域的“三大顶会”。其以极严的评审流程、极低的录取比例著称，是全球NLP研究者发布成果、交流思想的**平台。此次奇富科技的研究成果被 EMNLP 2025 收录，标志着公司在人工智能基础研究与技术创新方面持续取得重要进展。

　　随着大语言模型在各实际业务场景中广泛落地，如何**、低成本地实现多任务适配成为行业共性难题。传统的全参数微调方法虽效果显著，但计算和存储成本极高；而现有的参数**微调方法如Prompt Tuning和Adapter Tuning等，仍存在训练不稳定、推理延迟高、序列**等局限。

　　为解决这些痛点，奇富科技研究团队提出了一种面向Decoder-only架构大模型的全新微调框架PrAd。该方法创新性地将结构优化与推理流程深度融合，仅在预填充(Prefill阶段引入轻量Adapter模块对提示进行特征变换，而在解码(Decoding阶段则**保持原始结构，不引入**额外计算。

　　PrAd框架在三个方面实现显著突破：

　　训练效率高：不增加输入长度，初始化简单，训练稳定性强，效果可比甚至超越主流基线；

　　推理**：仅在**个token生成时增加微小延迟，后续解码不引入额外开销，支持多任务共享批推理，实测速度在多任务场景下较LoRA提升**超10倍；

　　运维成本大幅**：Adapter管理规模和显存占用降幅可达50%，简化多任务模型的部署与批量推理流程。

　　实验结果表明，PrAd在六项多样化NLP任务上均取得了与**方法相当或更优的表现，同时在推理效率和资源利用率方面展现出显著优势，尤其适用于金融领域常见的多任务、高并发、低延迟应用场景。

　　奇富科技**算法科学家费浩峻表示：“PrAd不仅是一项技术突破，更是奇富‘科技赋能金融’理念的具体实践。我们致力于推动大模型在金融场景中的**、可靠、规模化应用。”未来，奇富科技将继续加大在 AI 基础模型、**微调、可信计算等方向的研发投入，推动更多科研成果转化为实际生产力，助力金融行业智能化升级。

　　(图片由奇富科技授权财经使用