已验证65% 置信事实时间未知
LoRA通过在模型权重矩阵中注入低秩分解矩阵来减少可训练参数量，使得在消费级GPU上微调数十亿参数的模型成为可能
3
来源数
65%
置信度
长期有效
时效性
2026/6/1
首次发现
来源
Unsloth：免费本地训练大模型神器，6万星开源项目详解
githubunslothai
涉及实体
相关事实
已验证LoRA通过在模型权重矩阵旁插入低秩分解矩阵来实现微调，通常只需训练原始参数量的0.1%-1%80% 相似已验证LoRA是以参数高效微调（PEFT）为代表的主流微调方法，核心思想是在不改动原始模型权重的前提下向特定层注入低秩矩阵，只训练新增参数79% 相似待验证LoRA是主流的参数高效微调算法，其核心假设是大模型参数更新矩阵的本征秩远低于其实际维度78% 相似已验证LoRA（低秩适应）的核心思想是模型权重更新矩阵本征秩很低，无需更新全部参数，只需并联两个低秩矩阵74% 相似待验证LoRA因其推理时可将旁路矩阵合并回原始权重（零额外推理开销）的特性，成为工业界最广泛采用的PEFT方案70% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/33645API
curl https://kongchang.com/api/v1/knowledge/claims/33645MCP
get_claim(id=33645)