待验证50% 置信事实精确时间

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。

1

来源数

50%

置信度

长期有效

时效性

2026/10/16

首次发现

来源

五分钟搞懂LoRA：为什么rank-8微调就够了

涉及实体

相关事实

已验证LoRA等参数高效微调方法（PEFT）大幅降低了微调的算力门槛，使个人开发者能在消费级GPU上完成微调71% 相似待验证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。70% 相似已验证LoRA微调时冻结原始模型参数不动，只更新插入的低秩矩阵，显存需求和训练成本大幅降低70% 相似待验证参数高效微调（PEFT）如LoRA只更新少量额外参数，降低了对算力和数据量的需求68% 相似待验证梯度下降的权重更新规则为 w = w - lr * gradient，其中lr是学习率66% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/1047753

API

curl https://kongchang.com/api/v1/knowledge/claims/1047753

MCP

get_claim(id=1047753)