QLoRA
QLoRA — это эффективный метод дообучения, представленный Деттмерсом и др. в 2023 году, который позволяет дообучать большие языковые модели с использованием квантования и низкоранговой адаптации. Комбинируя 4-битное квантование с LoRA, QLoRA снижает требования к памяти на 75%, позволяя дообучать модели с 65 млрд параметров на одном графическом процессоре.
Читать метод полностью
Войдите с бесплатным аккаунтом, чтобы прочитать этот раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Источники
- Dettmers, T., Pagnoni, A., Holtzman, A., & Contrastive, L. (2023). QLoRA: Efficient finetuning of quantized LLMs. arXiv preprint arXiv:2305.14314. link ↗
Как цитировать эту страницу
ScholarGate. (2026, June 3). Efficient Finetuning of Quantized LLMs. ScholarGate. https://scholargate.app/ru/deep-learning/qlora
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.
- Прямая оптимизация предпочтенийГлубокое обучение↔ compare
- Модели латентной диффузииГлубокое обучение↔ compare
- Mamba (модель на основе пространств состояний)Глубокое обучение↔ compare
- Маскированные автокодировщикиГлубокое обучение↔ compare
Упоминается в
Нашли ошибку на этой странице? Сообщите о ней или предложите исправление →