待验证50% 置信事实精确时间
LoRA的参数量、显存占用与优化难度随秩r线性增长，而非随模型宽度平方增长。
1
来源数
50%
置信度
长期有效
时效性
2026/10/16
首次发现
来源
涉及实体
相关事实
待验证LoRA的低秩假设构成容量上限，当新模态所需特征变换不能被低秩矩阵有效捕捉时会限制模型表达力72% 相似待验证LoRA使用缩放因子alpha/r对更新量进行缩放，调整r时不需要大幅重新调优学习率，降低超参数搜索成本。70% 相似待验证已有的像素空间模型（如JiT等）采用dense scaling策略，每增加一份模型容量就增加一份推理计算量，导致在固定推理预算下难以通过扩大参数量提升生成质量。69% 相似待验证模型性能的瓶颈不仅在于参数量，更在于表示的质量，嵌入空间坍缩的模型即使参数再多也无法充分发挥潜力66% 相似待验证扩散模型的迭代步数与输出长度不呈线性正相关，耗时增长比自回归模型平缓66% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1047745API
curl https://kongchang.com/api/v1/knowledge/claims/1047745MCP
get_claim(id=1047745)