LoRA（低秩自适应）：给大模型的高效 "微调助手"
LoRA，即 Low - Rank Adaptation（低秩自适应），是一种用于优化大语言模型微调的技术。在大语言模型的应用中，微调是使模型适应特定任务（如医疗文本分析、法律文档处理等）的重要手段。但传统的全量微调方式，需要对模型的所有参数进行调整，这不仅耗费大量的计算资源（如需要强大的 GPU 集群和长时间的训练）、时间成本，还可能面临过拟合问题。
LoRA 的核心思想是在微调过程中，不改变原始大模型的参数，而是通过引入额外的低秩矩阵来学习任务特定的信息。简单来说，它给模型添加了一个 "小插件"。以 Transformer 架构的模型为例，在注意力机制的相关矩阵（如查询矩阵、键矩阵、值矩阵）或者前馈网络的权重矩阵上，LoRA 会添加两个低秩矩阵（假设为 A 和 B）。在前向传播时，模型计算会结合原始权重矩阵以及这两个低秩矩阵的乘积结果。在训练过程中，仅对这两个低秩矩阵的参数进行更新，而原始模型的大量参数保持不变。这样一来，需要训练的参数量大幅减少，通常只占原模型总参数的 0.01% - 1%，大大降低了计算和存储成本。同时，在推理时，由于可以将低秩更新合并到原始权重中，几乎不会增加推理延迟。并且在很多实际任务中，LoRA 微调后的模型性能接近甚至媲美全参数微调的效果。
在Stable Diffusion中lora很常用
Prompt 工程：与大模型沟通的 "艺术"
Prompt 工程是指通过设计和优化提示（Prompt），来引导大语言模型执行特定任务的过程。Prompt 就是输入给模型的文本指令，它像是我们与大模型沟通的 "话术"。
一个好的 Prompt 需要精准传达任务需求，包含任务说明（明确让模型做什么，如 "对这段新闻进行情感分析"）、上下文信息（帮助模型更好理解任务背景，如提供相关事件的前情提要）、示例（若有必要，给出期望输出的格式或类似任务的解答示例）等关键元素。比如在让模型写一篇产品推广文案时，Prompt 可以是 "假设你是一名资深的营销文案撰写人，现在要为一款新上市的智能手表撰写推广文案。这款手表具有长续航、精准健康监测、时尚外观等特点。文案风格要活泼、有吸引力，面向年轻消费者群体，字数在 300 字左右"。
Prompt 工程常用的技巧有：
思维链提示（Chain - of - Thought）：引导模型逐步推理，对于解决复杂问题很有效，例如 "请逐步分析这道数学应用题的解题思路并给出答案"。
少样本学习（Few - shot Learning）：给模型提供少量示例，让它参照学习来完成任务，如 "根据以下两个电影推荐语的示例，为新电影《XXX》写推荐语"。
角色扮演提示（Role - Playing Prompting）：让模型扮演特定角色进行输出，像 "你现在是一位古代诗人，以秋天为主题创作一首诗" 。通过精心设计 Prompt，能够让大语言模型在无需大量训练的情况下，更高效、准确地完成各种任务，提升模型在特定场景下的应用效果 。