返回 AI 工具目录
p-tuning-v2
开发框架人工精选最近核验 2026年7月23日
P-Tuning v2 是清华 THUDM 团队发布的参数高效微调方法的开源实现,配套 ACL 2022 与 EMNLP 2023 论文。它把连续可训练的提示向量注入预训练 Transformer 的每一层输入(深度提示),而非仅在输入层,以提升提示微调的表达能力。其核心结论是:在不同模型规模与任务上,仅微调少量提示参数即可逼近全参数微调效果,尤其在较小模型和序列标注等较难任务上表现稳定。仓库以 Python 实现,覆盖 SuperGLUE、SQuAD、序列标注等任务的训练脚本与超参搜索,基于 BERT-large、RoBERTa-large 等模型验证,属研究代码而非生产框架。
定价开源部署本地运行国内可达国内可达许可Apache-2.0
解决什么问题
- 用少量提示参数逼近全参数微调效果
- 把连续提示注入 Transformer 每一层输入
- 降低下游任务微调的显存与存储成本
- 在较小模型与序列标注任务上更稳定
- 提供多任务训练脚本与超参搜索
适合
- 研究参数高效微调方法的复现与对比
- 在 NLP 任务上做提示微调基线实验
- 显存受限、需减少可训练参数的场景
- 以 BERT/RoBERTa 类编码器模型为主
不适合
- 属研究代码,非开箱即用的生产框架
- 面向论文中的具体任务与模型,泛化需自行适配
- 不含服务化部署或推理优化组件
- 对大规模生成式模型的支持需另行验证
如何接入
- 以 Python 脚本按任务目录运行训练
- 依赖 PyTorch 与 HuggingFace 生态
- 提供 SuperGLUE、SQuAD、序列标注等示例
- 可作为 PEFT 方法的参考实现改造
已知限制
- 验证集中在 BERT-large、RoBERTa-large 等模型
- 研究仓库维护频率有限,非活跃工程项目
- 结果依赖论文设定的超参与数据
- 工程化与部署需自行完成
接入与使用事实
- 部署方式
- 本地运行
- 实现语言
- Python
- 中文界面
- 待确认
- 中文文档
- 待确认
- 定价方式
- 开源
- 许可证
- Apache-2.0
- 国内可达性
- 国内可达
- 可达性观察
- 待补充
权限、依赖与维护信号
这些字段记录公开可见信号，不等同于安全审计结论。
权限信号
暂无公开信号。
依赖信号
暂无公开信号。
维护信号
暂无公开信号。
公开来源与证据
- 代码仓库仅作事实索引