lora

全栈探索者

一枚 162MB 的挂件，改写一只猫的画风：LoRA 实战——风格定制与人脸保持本文是《Mac mini 玩转 ComfyUI》专栏第 7 篇。实测环境：Mac mini M5 Pro / 64GB / ComfyUI v0.42.5 / Z-Image turbo bf16（4 步 / cfg 1.0 / euler+simple / 1024×1024）。全部样张来自 2026-10-27 本轮 LoRA 实验：同 seed（111）、只改一处变量，脚本与原始产物留档见文末。

编码追梦人

ESP-IDF 实战：用 ESP32-C3 打造超低功耗 LoRa 无线传感器节点（深度睡眠 + OTA 全解析）关键词：ESP32-C3、ESP-IDF v5.x、LoRa (SX1276)、深度睡眠、RTC 内存持久化、OTA 升级、功耗优化

小易老师AI实战

大模型微调：全参微调、PEFT系列方法核心区别（重点LoRA）做大模型落地、RAG之外的定制化能力开发，微调是绕不开的技术。面试中经常会问到：全参微调和PEFT的区别？LoRA对比Prefix-Tuning、P-Tuning优势在哪？很多人只知道LoRA好用，但说不清底层差异、优缺点和推理侧代价。本文把主流微调方案统一整理，适合面试背诵+工程选型参考。

LoRA 微调实战 - 显存、标签掩码与合并部署的踩坑记录（附清单）运营上周提了个需求。客服机器人要能答一批内部产品术语，通用模型答得含糊。想全量微调，一算显存就放弃了，6B 的模型全参训练，优化器状态加梯度缓存，80GB 的卡都紧张。最后用 LoRA 在单卡 24GB 上跑通。从装环境到出第一个 adapter 用了两天，大头全在排错。这篇把配置和三个坑整理出来，照着走能少绕路。

我有酒两杯

从一条样本看懂 Kev：数据、模型、训练与推理Kev 用语言模型读取状态、问题和候选项，再为每个候选项计算概率。本文沿一条退款记录，解释它如何进入数据集、变成 token、产生损失，最后作为 API 请求返回决策。

这张生成的图像能检测吗

（论文速读）DI-CDM：微调条件扩散模型在结构健康监测中的损伤成像论文题目：Damage imaging in structural health monitoring with fine-tuned conditional diffusion model（微调条件扩散模型在结构健康监测中的损伤成像）

LLM微调-训练垂类问答模型目录一、数据下载二、模型下载三、模型微调1）数据处理：收集和清洗Step 1: 数据收集Step 2: 数据清洗

针对AIGC汽车造型领域的Lora微调（一）在汽车造型领域，进行Lora的领域微调的核心目的：让模型能够稳定输出某一风格或特征；比如，在我汽车概念设计阶段，我就想要这个汽车能够拥有风云A9的曲线，路虎的前脸；但是，模型可能不知道什么是风云A9，什么是路虎的前脸；那这就需要对生图模型进行领域微调！

离线语音 + 无线控制：“断网可用“的智能家居怎么做？做智能家居方案这些年，被业主问得最多的问题不是"能控制多少设备"，而是——"路由器一关，我的灯还能开吗？"

华普微HOPERF

远距离、低功耗、大容量，RFM6601如何打造可靠的LoRaWAN网络随着智能表计、智慧消防、智慧农业、智慧城市等物联网应用的快速发展，越来越多的终端设备需在复杂环境下具备远距离、低功耗、高可靠的无线传输能力。

论文复现现场

算家云 RTX 4090 怎么训练 SDXL LoRA？24GB 显存配置、CUDA OOM 排查与断点续训发布时间：2026 年 9 月 14 日单张 24GB RTX 4090 可以作为 SDXL LoRA 训练的起始配置。建议先用 768 分辨率、batch size 1 和 100 步小样本完成显存、出图及断点恢复验收，再决定是否提高到 1024 分辨率和正式训练步数。

大模型 LoRA 微调全流程实战 - 车载问答全流程（跑通 + 参数详解 + 训练日志逐行解读 + 模型合并）运行环境：Windows 11 + Python 3.10 + PyTorch(CPU) + transformers 5.x + peft 基座模型：Qwen1.5-1.8B-Chat ｜数据规模：30 条车载问答｜训练耗时：CPU 约 34 分钟源码仓库（Gitee）：https://gitee.com/allensu0108/llm-fine-tuning ｜训练脚本、合并脚本、30 条数据与 README 全在里面，可直接克隆运行： git clone https://gitee.com

weixin_44021329

大模型参数高效微调：PEFT、LoRA、QLoRA、DoRA原理与对比摘要：大模型全参微调硬件门槛极高，PEFT参数高效微调成为工业界主流方案。本文讲解PEFT核心概念，对比LoRA、QLoRA、DoRA三者原理、优缺点、适用场景，附带代码示例与选型建议，帮助快速落地大模型微调。

【大模型应用开发】LLM 到底是什么，以及它是怎么训练的你有没有想过一个问题：为什么 ChatGPT 能跟你对话？它不是"搜答案"。如果你问它"1+1 等于几"，它不是去百度查，而是"算"出来的。更准确地说，是"生成"出来的——它基于你输入的文字，一个 token 一个 token 地预测下一个字该是什么。

美人胖八分

大模型常见微调框架对比微调框架的价值不只在于启动训练，还要正确处理聊天模板、损失掩码、4-bit 基座加载、LoRA 注入、分布式检查点与权重导出。选型前应分清层级：Transformers 提供模型、Tokenizer 和通用 Trainer；PEFT 实现 LoRA 等参数高效方法；Accelerate 统一设备和任务启动；DeepSpeed ZeRO、PyTorch FSDP 负责切分参数、梯度与优化器状态；Megatron-Core 则提供张量、流水线、上下文和专家并行。LLaMA-Factory、Axolotl 和

Stable Diffusion 3.5 FP8模型支持自定义训练数据集接入你有没有遇到过这样的场景：好不容易搭好了 Stable Diffusion 的推理服务，结果一跑高分辨率图，显存直接爆了？😱 或者用户等着生成海报，系统却卡在“去噪中”整整十几秒……这在生产环境里简直没法忍。

大模型LLM ACA - ACP认证考试真题冲刺演练二答案参考目录一、大模型LLM ACA - ACP认证考试二、大模型LLM ACA - ACP认证考试真题冲刺演练一

中嵌科技“岷山“实验室技术拆解：基于 DeepSeek-7B 的工控垂类模型，怎么把推理压到 50ms 以内？通用 LLM 在工业实时控制场景水土不服（延迟、精度、改造成本三座山）。本文拆解中嵌科技"岷山"工业人工智能实验室的技术路径：基于 DeepSeek-LLM-7B-Base，用 LoRA+MoE 微调 + INT4/8 混合量化 + 30% 结构化剪枝 + 知识蒸馏，把 7B 级模型压到原体积 15%-20%、精度损 <1%、端到端推理 ≤50ms，并能原生对接现有 DCS/PLC 架构不改控制回路。附参数表与白皮书锚点。

LoRA: Low-Rank Adaptation of Large Language Models论文链接：https://arxiv.org/pdf/2106.09685v1/1000大模型下游迁移微调是行业落地的关键环节，传统全参数微调存在参数量大、算力消耗高、权重分发不便、易发生原有知识覆盖等缺陷。Adapter、Prefix Tuning、Prompt Tuning 等一系列参数高效微调（Parameter-Efficient Fine-Tuning，PEFT）方案被陆续提出，其中低秩自适应（ Low-Rank Adaptation，LoRA）[1]方案凭借收敛速度快、推理无额外延迟、兼容性强

大模型微调实战：LoRA 与 QLoRA 原理精讲大语言模型（LLM）虽然在通用场景表现优异，但在特定领域任务上往往力不从心。以 GPT-4 为例，它在医学诊断、法律文书、企业私有知识等垂直场景的表现明显不足。**全量微调（Full Fine-tuning）**虽然效果最好，但开销巨大——训练 LLaMA-65B 需要 780GB+ 显存，绝非普通团队所能承受。