已验证75% 置信事实时间未知
LoRA（Low-Rank Adaptation）可将训练参数量减少99%以上
5
来源数
75%
置信度
长期有效
时效性
2026/5/31
首次发现
来源
零基础学大模型应用开发：从RAG到Agent完整学习路线
bilibili吴恩达langchain
涉及实体
相关事实
已验证LoRA通过只训练少量适配层（低秩矩阵旁路训练）来降低微调成本85% 相似待验证LoRA由Hu等人于2021年提出，通过冻结原始权重并注入两个低秩矩阵A和B进行参数高效微调，可训练参数量通常减少99%以上75% 相似待验证开启 lora_dropout 或 lora_bias 的 LoRA 训练在 Unsloth 融合内核下每步约快 28%。74% 相似待验证LoRA大幅降低了显存需求和训练成本，使得在单张消费级GPU上微调大模型成为可能。74% 相似已验证LoRA（Low-Rank Adaptation）由微软于2021年提出，其核心思想是冻结预训练模型的权重，仅训练注入的低秩分解矩阵73% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/4362API
curl https://kongchang.com/api/v1/knowledge/claims/4362MCP
get_claim(id=4362)