Machine learning

LoRA y PEFT

LoRA (Adaptación de Rango Bajo), introducida por Hu et al. en 2022, y la familia más amplia de métodos de ajuste fino eficiente en parámetros (PEFT) adaptan grandes modelos de lenguaje preentrenados a nuevas tareas entrenando solo un pequeño número de parámetros adicionales en lugar de cada peso del modelo. Esto hace que el ajuste fino sea posible con mucha menos memoria de GPU y cómputo, dejando el modelo original en gran medida intacto.

Abrir en MethodMindPróximamenteVídeoPróximamenteDownload slides

Leer el método completo

Solo para miembros

Inicia sesión con una cuenta gratuita para leer esta sección.

Iniciar sesión

Method map

The neighbourhood of related methods — select a node to explore.

Fuentes

  1. Hu, E. J. et al. (2022). LoRA: Low-Rank Adaptation of Large Language Models. ICLR. link
  2. Lester, B. et al. (2021). The Power of Scale for Parameter-Efficient Prompt Tuning. EMNLP. DOI: 10.18653/v1/2021.emnlp-main.243

Cómo citar esta página

ScholarGate. (2026, June 1). Low-Rank Adaptation and Parameter-Efficient Fine-Tuning. ScholarGate. https://scholargate.app/es/deep-learning/lora-peft

Which method?

Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.

Compare side by side

Citado por

ScholarGateLoRA and PEFT (Low-Rank Adaptation and Parameter-Efficient Fine-Tuning). Recuperado el 2026-06-15 de https://scholargate.app/es/deep-learning/lora-peft · Conjunto de datos: https://doi.org/10.5281/zenodo.20539026