低秩适配（LoRA）

用一个例子理解

要让模型更稳定地使用某种教案格式，可以准备高质量示范并使用 LoRA 进行微调。和在对话中附上模板相比，这会训练一部分参数，但仍需要数据和算力。

再深入一层

大型权重矩阵的更新可以用两个较小矩阵的乘积来表示，这就是「低秩」的直观含义。LoRA 选择训练这些较小矩阵，而不是对所有原有权重做全量更新。它可以与监督微调等训练目标组合。

它不能说明什么

LoRA 是参数适配方法，不是新的模型架构，也不是给模型接资料库的协议。参数更省不等于数据随便选就能学好；领域事实是否准确仍需检索或评估验证。

接下来可以了解

• 监督微调（SFT）
• 参数（Parameters）
• 检索增强生成（RAG）

资料依据

• LoRA: Low-Rank Adaptation of Large Language Models：冻结预训练权重，训练低秩矩阵；参数高效适配方法。

资料核验于 2026-09-09；原论文用于说明机制，文中例子为教学示例。