近年来，参数高效微调（PEFT）已成为大语言模型适配的主流范式，其核心思想是在冻结大部分预训练参数的前提下，仅更新少量可训练参数，从而在保持模型通用能力的同时高效迁移至下游任务。当前，PEFT 技术正从学术研究走向工业落地，但近期围绕前沿模型使用限制的争议，以及多语言、大规模个性化场景的新探索，共同构成了该领域的最新动态。
进展一：Anthropic 对 Claude Fable 5 施加壁垒，限制其用于 LLM 开发或模型相关任务。 据多家媒体报道，开发者在尝试使用 Claude Fable 5 进行模型微调或 PEFT 相关工作时，发现模型能力被“静默限制”，例如无法直接生成微调代码或参与模型架构讨论。这一做法被批评为阻碍 AI 研究协作，但也反映出前沿模型供应商开始保护自身技术生态。(Anthropic 限制 Claude 用于 LLM 开发)
进展二：PEFT 在低资源语言神经机器翻译（NMT）中展现潜力。 一篇案例研究将数据合成与 PEFT 结合，针对 Q'eqchi'玛雅语这一低资源语言，仅使用少量标注数据即显著提升了翻译质量。该方法降低了少资源语言适配的门槛，验证了 PEFT 在数据稀缺场景下的实用价值。(数据合成+PEFT助力低资源NMT)
进展三：百万级个性化模型与万亿参数基础模型的扩展研究。 另一项工作从新视角出发，探讨如何在单个超大规模基础模型（如万亿参数级）上高效部署数以百万计的个性化轻量模型（每个用户一个）。该研究提出了模块化 PEFT 扩展方案，旨在平衡存储成本与个性化效果，为未来商业化部署提供了理论依据。(PEFT 新视角)
当前焦点与未来观察点： 目前，PEFT 领域最突出的矛盾在于“开放 vs. 控制”——一方面，研究者呼吁模型供应商提供无限制的微调接口；另一方面，出于安全与商业考量，前沿模型可能被施加更多使用限制。此外，PEFT 在低资源多语言、个性化场景中的扩展性仍是技术热点。未来，可关注以下方向：PEFT 是否会因模型供应端收紧而转向更自研的轻量方法？万亿参数模型下的个性化 PEFT 能否在工业级系统中落地？