待验证60% 置信事实精确时间
LoRA 利用 SVD 的低秩近似原理，将大型权重矩阵的增量更新分解为两个低秩矩阵的乘积，从而将可训练参数量从数十亿压缩至数百万量级
2
来源数
60%
置信度
长期有效
时效性
2026/7/21
首次发现
来源
相关事实
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77% 相似已验证LoRA将权重更新矩阵ΔW分解为两个秩远低于原矩阵的小矩阵A和B之积，参数量可缩减至原来的万分之一甚至更少75% 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68% 相似待验证强行取极值样本会引入离群点，迫使SVM构建更复杂的决策边界，高阶poly核在这种数据上收敛更慢68% 相似待验证完整雅可比矩阵的计算代价是O(m×n)次前向传播，实际应用中研究者通常采用随机化SVD或Lanczos迭代等算法近似计算其低秩分解64% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/575972API
curl https://kongchang.com/api/v1/knowledge/claims/575972MCP
get_claim(id=575972)