LoRA，P-Tuning 微调原理

微调基础概念

在大语言模型中，微调是一种帮助模型学会新知识的一种方式。如果你的微调数据集包含了特定领域的新信息，模型在训练过程中就会学习这些内容，并将其融入到自己的响应中。事实上，微调确实能够教会模型新的知识与规律。

训练范式与 RAG 对比

典型训练范式为：预训练 + 监督微调 + RLHF（人类反馈强化学习）。微调的优势在于内化知识，无需 RAG 实时检索外部知识库，响应更快。但 RAG vs 微调无绝对优劣——RAG 数据洗得好切的好，切片质量高，检索方式到位时效果优秀；而微调翻车多是因为超参数不适配数据规模，调优参数能显著提升性能。

主流微调方法概览

微调，一般是采用 P-Tuning 和 LoRA，QLoRA 微调这几种主流方式，（全参微调更新全部参数，效果最佳但资源消耗巨大。) .

P-Tuning

P-Tuning v1 版本，在输入层前插入一组可训练的连续向量（称为“软提示”）相当于加了一层 prompt，通过这种方式来提高模型性能

P-Tuning v2 版本，在每一层的前缀位置注入独立的可训练 prompt，每层独立的软提示可以独立学习任务特征，从而更高效的提升模型性能

LoRA 核心原理

lora 的本质就是低秩分解，什么是秩？一个矩阵中线性独立的行或者列，就是秩，可以认为，一个矩阵的秩越大，它包含的信息就越全面，能够描述的空间越大。

大白话就是说，一个 3×3 矩阵的最大秩是 3，当它的秩为 1 时，说明所有行（或列）都可以由一行（或一列）的线性组合得到，信息被极度压缩。

LoRA 并不直接去更新原来的完整权重矩阵，而是在它旁边增加一个“旁路”结构，用两个可训练的小矩阵 A（3×1）和 B（1×3）来表示权重变化。
这样一来，模型只需训练这 6 个参数，而不是原矩阵的 9 个参数，就能实现同样的微调效果，大大降低了计算资源消耗。

旁路矩阵示意图

如图，两个小矩阵可得到一个大矩阵，同样的，一个大矩阵*一个小矩阵，也可以通过矩阵乘法得到一个小矩阵。

通过旁路矩阵进行训练，训练好后的参数+上原本的完整权重。

最终输出 = 原权重计算结果 + LoRA 旁路计算结果
h = （W₀ × x） + （B × A × x） / α
↑ ↑
原模型输出 旁路补丁输出

其中 h 为最终输出，W0 为原始冻结参数，x 为输入，A，B 为两个旁路矩阵，α是缩放系数，控制旁路矩阵输出幅度（让输出数值别太大别太小）

QLoRA 量化优化

QLoRA 就是在原来 LoRA 的基础上，对全参数矩阵进行量化操作，使原始模型变得更小，占用更少资源，用少量精度换取性价比高的结果。

总结：

全参微调：假设原始模型参数量为 100*100，全参微调需更新的参数量就是 100*100 = 10000

LoRA 微调：

1. 冻结原表格（100×100，不动它）

2. 加两个小表格（旁路矩阵）：

   - A 表：100 行×4 列 = 400 参数

   - B 表：4 行×100 列 = 400 参数

3. 计算公式：最终输出 = 原表格 + （A × B 的结果），4 就是 LoRA 的“秩”（rank）。

QLoRA 微调：

1. 把原表格进行量化（float 转 int 的过程），压缩成 4bit 版本（从 10,000 高精度浮点数压成 3,000 个 4bit 整数码）

   - 存储只需原先 1/4 空间，在需要的时候将全参矩阵“解码”回 FP16 计算。

2. 冻结这个瘦版表格

3. 再加 LoRA 的 A、B 小表格（同上，800 参数）

LoRA（低秩适应机制）——仅对一小部分额外的“适配器”权重矩阵进行微调（这些权重矩阵以 16 位精度进行存储），省时省力，显著减少训练过程中需要更新的参数数量。

QLoRA（量化 LoRA）——在 LoRA 基础上，先将原始模型权重压缩为 4 位 NF4 量化格式（存储只需原先 1/4 空间），冻结后仅训高精度 LoRA 适配器，这样可以显著降低内存消耗与计算开销。