Machine learning

LoRA и PEFT

LoRA (Low-Rank Adaptation), представленный Hu et al. в 2022 году, и более широкое семейство методов параметрически эффективной дообучки (PEFT) адаптируют большие предобученные языковые модели к новым задачам, обучая лишь небольшое количество дополнительных параметров вместо каждого веса в модели. Это делает дообучку возможной при значительно меньших затратах видеопамяти и вычислительных ресурсов, оставляя исходную модель в значительной степени неизменной.

Открыть в MethodMindСкороВидеоСкороDownload slides

Читать метод полностью

Только для участников

Войдите с бесплатным аккаунтом, чтобы прочитать этот раздел.

Войти

Method map

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

Источники

  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

Как цитировать эту страницу

ScholarGate. (2026, June 1). Low-Rank Adaptation and Parameter-Efficient Fine-Tuning. ScholarGate. https://scholargate.app/ru/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

Упоминается в

ScholarGateLoRA and PEFT (Low-Rank Adaptation and Parameter-Efficient Fine-Tuning). Получено 2026-06-15 из https://scholargate.app/ru/deep-learning/lora-peft · Набор данных: https://doi.org/10.5281/zenodo.20539026