待验证50% 置信事实精确时间
Hu 等人在 ICLR 2022 的原始论文中提出，冻结基座模型权重并用两个低秩矩阵表示每个待更新矩阵，能大幅削减可训练参数，同时在评测任务上达到接近全量微调的质量
1
来源数
50%
置信度
长期有效
时效性
2026/10/11
首次发现
来源
涉及实体
相关事实
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76% 相似已验证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75% 相似已验证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72% 相似待验证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71% 相似待验证若数据集较小而模型参数过多，模型可能过早记住训练数据并退化，可通过增加数据、使用 dropout 正则化或缩小模型规模缓解66% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/998062API
curl https://kongchang.com/api/v1/knowledge/claims/998062MCP
get_claim(id=998062)