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.
Leer el método completo
Inicia sesión con una cuenta gratuita para leer esta sección.
Method map
The neighbourhood of related methods — select a node to explore.
Fuentes
- Hu, E. J. et al. (2022). LoRA: Low-Rank Adaptation of Large Language Models. ICLR. link ↗
- 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.
- Red Generativa AntagónicaAprendizaje profundo↔ compare
- Random ForestAprendizaje automático↔ compare
- Autoencoder VariacionalAprendizaje profundo↔ compare
- Vision TransformerAprendizaje profundo↔ compare
- XGBoostAprendizaje automático↔ compare
Citado por
¿Has visto un problema en esta página? Infórmanos o sugiere una corrección →