大语言模型的微调主要分为两类：全参数微调和参数高效微调（lora等）。直接对 Instruct 模型进行调优通常仅带来微小的提升，甚至导致性能退化。Base 模型与Instruct 模型权重值高度相似。Base 模型往往是一个良好的学习器，但在后训练前较弱。因此，通过利用对应的Base 模型来调优 Instruct 模型。核心思想是先微调 Base 模型，然后将学成的权重更新 直接赋予 Instruct 模型。正就是Shadow-FT 理念，不引入额外参数，实现简单。
相对差距比**来量化权重相似度，公式为：
其中为元素级求和，为绝对值运算。取值范围为0-1，代表两个模型权重完全一致，代表权重差异极大。
如上图，配对的BASE和INSTRUCT模型权重相似度极高，说明BASE和INSTRUCT模型的权重结构高度重合，因此得出结论，通过BASE模型辅助INSTRUCT模型微调可行。
方法
Shadow-FT的核心逻辑是：利用BASE和INSTRUCT模型的权重相似性，先对BASE模型进行微调以获取优质的参数更新量，再将该更新量直接迁移到INSTRUCT模型上，从而避免直接微调INSTRUCT模型带来的性能退化问题。流程如下，比较简单：
微调BASE模型：首先采用任意微调方法（全参数或LoRA）对BASE模型进行训练，得到更新后的BASE模型权重，公式为：
其中代表微调操作，为BASE模型原始权重。
迁移参数更新量到INSTRUCT模型：计算BASE模型的参数更新量，并将其直接叠加到INSTRUCT模型的原始权重上，得到最终的INSTRUCT模型权重，公式为：
传统INSTRUCT模型微调的公式为：
对比可知，Shadow-FT与传统微调的训练成本完全一致，唯一区别在于：传统方法从INSTRUCT模型自身学习参数更新量，而Shadow-FT从BASE模型学习更新量再迁移。
实验性能
