LoRALow-Rank Adaptation是一种非常流行的大模型微调技术用来在不更新全部参数的情况下训练模型。它最早由 Microsoft Research 提出论文是LoRA: Low-Rank Adaptation of Large Language Models。核心目标只训练极少量参数就能让大模型学会新能力。一、为什么需要 LoRA传统微调Full Fine-tuning的问题问题描述参数巨大例如 GPT-3 有 175B 参数显存需求高全量训练需要几十张 GPU存储成本高每个任务都要保存一份完整模型训练慢需要更新全部参数所以研究人员提出PEFTParameter-Efficient Fine-Tuning方法。常见 PEFTLoRA最流行Prefix TuningPrompt TuningAdapter其中LoRA 是工业界使用最多的。二、LoRA 的核心思想假设模型里有一个线性层y Wx其中W 是原始权重x 是输入y 是输出如果微调模型传统方法是W W ΔW也就是直接训练ΔW。问题ΔW 依然非常大。LoRA 的关键创新LoRA 假设ΔW 可以用低秩矩阵分解表示ΔW BA其中A 是低维矩阵B 是低维矩阵rank r 很小例如 r8于是W W BA训练时冻结原始权重 W只训练 A 和 B三、LoRA训练流程完整流程如下原始模型 │ 冻结所有参数 │ 在注意力层插入 LoRA │ 只训练 LoRA参数 │ 得到 LoRA Adapter第1步加载基础模型例如LLaMAQwenMistralmodel AutoModelForCausalLM.from_pretrained(llama)第2步冻结模型参数for param in model.parameters(): param.requires_grad False这样 GPU 不需要存储梯度。第3步插入 LoRA 层LoRA 通常插在Transformer 的Q projectionK projectionV projectionO projection即Attention Q Wq x K Wk x V Wv x变成Q (Wq BA)x第4步训练 LoRA 参数只训练A (r × d) B (d × r)参数量从d × d变成2 × d × r如果d 4096 r 8参数减少4096×4096 → 4096×8×2减少500 倍以上。四、训练时实际结构Transformer层原始结构Linear(d,d)LoRA结构Linear(d,d) (冻结) Linear(d,r) Linear(r,d)图示x │ W (冻结) │ ├───────────► │ A (d→r) │ B (r→d) │ α/r scaling │ │ y五、LoRA训练输出是什么训练完成后得到一个很小的 Adapter 权重例如模型原始模型LoRALLaMA 7B13GB10MBLLaMA 13B26GB20MB所以一个模型可以加载很多 LoRA。例如base model ├── code-lora ├── medical-lora ├── finance-lora └── chinese-lora六、推理时如何使用推理有两种方式方式1动态加载output base_model lora例如使用HuggingFace PEFTfrom peft import PeftModel model PeftModel.from_pretrained(base_model, lora_path)方式2合并权重把 LoRA 合并进模型W W BAmodel.merge_and_unload()优点推理更快缺点失去 LoRA 模块化。七、LoRA为什么有效研究发现大模型的更新矩阵本身是低秩的。也就是说ΔW ≈ low-rank matrix所以用低秩矩阵表示ΔW BA不会损失太多能力。八、LoRA训练配置示例from peft import LoraConfig config LoraConfig( r8, lora_alpha32, target_modules[q_proj,v_proj], lora_dropout0.05, biasnone )关键参数参数作用rranklora_alphascalingtarget_modules插入位置dropout防过拟合九、LoRA的工业应用常见应用1 AI绘画例如Stable Diffusion LoRA训练人物风格2 垂直领域模型医疗法律金融3 AI Coding例如代码 LoRASQL LoRADevOps LoRA4 Agent能力增强给 Agent 加 LoRA工具调用规划能力思维链十、LoRA家族进化LoRA之后出现很多升级版本技术特点LoRA原版QLoRA4bit量化训练AdaLoRA动态rankDoRA权重分解优化其中QLoRA 是现在训练 LLM 最主流方案。十一、一句话总结LoRA本质是通过低秩矩阵分解只训练极少量参数来适配大模型。公式W W BA优点显存需求极低训练成本低模型可模块化可叠加多个 LoRA假如你从2026年开始学大模型按这个步骤走准能稳步进阶。接下来告诉你一条最快的邪修路线3个月即可成为模型大师薪资直接起飞。阶段1:大模型基础阶段2:RAG应用开发工程阶段3:大模型Agent应用架构阶段4:大模型微调与私有化部署配套文档资源全套AI 大模型 学习资料朋友们如果需要可以微信扫描下方二维码免费领取【保证100%免费】配套文档资源全套AI 大模型 学习资料朋友们如果需要可以微信扫描下方二维码免费领取【保证100%免费】