一、LoRA

LoRA，英文全称Low-Rank Adaptation of Large Language Models，直译为大语言模型的低阶适配，是微软的研究人员为了解决大语言模型微调而开发的一项技术。

例如，GPT-3有1750亿参数，为了让它能干特定领域的活儿，需要做微调，但是如果直接对GPT-3做微调，成本太高。

就像给一个“学霸”补课，让它从“通才”变成某个领域的“专家”

LoRA的做法是，冻结预训练好的模型权重参数，然后在每个Transformer（Transforme就是GPT的那个T）块里注入可训练的层，由于不需要对模型的权重参数重新计算梯度，所以，大大减少了需要训练的计算量。

测试发现，LoRA的微调质量与全模型微调相当。

LoRA优点

• 训练速度更快
• 计算需求更低
• 训练权重更小，因为原始模型被冻结，我们注入新的可训练层，可以将新层的权重保存为一个约3MB大小的文件，比UNet模型的原始大小小了近一千倍。

如果比喻的话，就好比是大模型的一个插件。

二、QLoRA（Quantized LoRA）

QLoRA 是 LoRA 的升级版，结合了量化技术。它将大模型压缩为低位（如 4-bit）格式后再应用 LoRA，实现更低的内存占用。

原理组合：

1. 量化（Quantization）：把原始 FP16 / FP32 的模型权重压缩成 4-bit。
2. LoRA 微调：在冻结量化权重的基础上，插入可训练的 LoRA 层。

关键技术点：

• 使用 4-bit NormalFloat (NF4) 格式保留更多信息
• 通过 paged optimizers（如 paged AdamW） 优化内存访问
• 与 bitsandbytes 库配合使用（支持 4-bit/8-bit 量化）

优点：

• 可在一张 24GB 显存显卡上微调百亿参数大模型
• 微调性能接近全量微调
• 非常适合个人和小团队微调 LLM

三、对比总结

项目	LoRA	QLoRA
是否量化	否	是（4-bit）
显存需求	中等（8-bit、16-bit）	更低（可在一张消费显卡上运行）
训练方式	加入可训练低秩矩阵	先量化后加低秩矩阵
优点	简单、高效	极致压缩、适合本地微调
用途	多任务、多领域微调	本地/低资源环境微调大模型