已验证65% 置信事实时间未知
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
3
来源数
65%
置信度
长期有效
时效性
2026/6/1
首次发现
来源
涉及实体
相关事实
待验证PEFT技术的核心思想是不更新全部参数，而是引入少量可训练的适配器参数（如LoRA的低秩矩阵分解），降低显存和计算需求同时保留接近全量微调的效果81% 相似待验证LoRA将对权重矩阵的全量更新分解为两个低秩矩阵的乘积，训练时只更新这两个小矩阵，原始权重保持冻结78% 相似待验证参数高效微调技术如LoRA、QLoRA大幅降低了Fine-tuning的门槛，使中小团队能经济地定制模型78% 相似待验证单纯增加模型参数和训练数据的边际收益正在递减，即'Scaling Law放缓'现象72% 相似待验证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
引用此条事实
Stable URI
https://kongchang.com/claim/35409API
curl https://kongchang.com/api/v1/knowledge/claims/35409MCP
get_claim(id=35409)