Fine-tuning：一种利用人工标注的数据来微调大模型的方法，目的是提高模型在特定任务或领域上的性能和安全性。Fine-tuning通常只能针对特定任务或领域进行微调，而不能跨越多个任务或领域12。
Prompt-tuning：一种利用短文本字符串来指导大模型生成响应的方法，目的是发掘模型本身具备的知识和生成能力。Prompt-tuning可以提供上下文和任务相关信息，以帮助模型更好地理解要求，并生成正确的输出。Prompt-tuning可以在没有精调的模型上也能有一定效果，但是需要设计精巧的prompt123。
Chain-of-thought：一种处理复杂问题或执行多步骤任务的技巧，通常用于大型预训练语言模型中。Chain-of-thought允许模型在多个步骤中生成连贯的回答，从而更好地解决问题或完成任务。Chain-of-thought可以结合prompt或instruction来指导模型生成输出1。
如果您想了解更多关于tuning方法的相关知识，您可以参考以下网页：

实际案例说明AI时代大语言模型三种训练技术及其区别——Prompt-Tuning、Instruction-Tuning和Chain-of-Thought
Instruction Tuning｜谷歌Quoc V.Le团队提出又一精调范式
打开模型Zero-Shot新范式：Instruction Tuning