lora

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。

【DNN】基于llama.cpp的Qwen3-0.6B量化部署微调3.3 模型转换

行者-全栈开发

【智慧防洪】水利物联网监测网络设计：从传感器选型到边缘计算的完整实践💡 摘要: 物联网是智慧水利的感知基石。本文深入解析水利物联网监测网络的完整架构，涵盖传感器技术选型（水位、雨量、流速、含沙量）、RTU 终端设计、通信协议对比（MQTT、CoAP、Modbus）、边缘计算策略、网络安全防护等核心技术。通过汉江、长江、黄河的实际部署案例，展示如何构建高可靠、低功耗、易维护的水利 IoT 网络。提供完整的硬件配置清单、代码示例和成本核算，助力水利信息化基础设施建设。

学Linux的语莫

LlamaFactory微调框架的使用最好使用NVIDIA CUDA的显卡在终端/命令行里执行，不是在 Python 代码里执行。如果你是 Windows，按这个来：

如何速成LLM以伪装成一个AI研究者（6）——LoRA，Adapter，P-tuning，量化，QLoRA如何速成LLM以伪装成一个AI研究者（1）——循环，卷积，编解码器，注意力，Transformer 如何速成LLM以伪装成一个AI研究者（2）——Pre-LN，KV-Cache优化，MoE 如何速成LLM以伪装成一个AI研究者（3）——预训练，监督微调，强化学习RLHF/DPO 如何速成LLM以伪装成一个AI研究者（4）——PPO，GRPO，DAPO，GSPO 如何速成LLM以伪装成一个AI研究者（5）——显存估算，显卡选择

人工智能【第53篇】大模型微调实战：LoRA与QLoRA技术详解作者的话：预训练的大语言模型（如GPT、LLaMA）虽然能力强大，但在特定领域任务上往往表现不佳。全量微调成本高昂，且需要大量计算资源。LoRA（低秩适配）和QLoRA（量化LoRA）技术的出现，让我们能够以极低的成本高效微调大模型。本文将深入解析这两种技术的原理，并带你完成完整的微调实战！

STM32WLE5 LoRa Smart TDMA 完整协议栈实现（工程级可直接编译）-【1】✅ TDMA 周期：70ms ✅ 同步策略：每 32 个周期网关下发同步帧 ✅ 工作频率：915MHz ✅ 最大节点数：256 个（0~255） ✅ Mesh 路由中继（自动中继、多级转发） ✅ 移动节点自适应漫游（信号自动切换网关/父节点） ✅ 宏定义区分网关 / 节点 ✅ 基于 STM32WLE5 原生 SUBGHZ 无阻塞、低功耗运行

STM32WLE5 LoRa Smart TDMA 完整协议栈工程实现 -【2】本版为可直接编译工程版，补齐：文件清单：✅ 周期 70ms ✅ 每 32 周期网关同步 ✅ 915MHz ✅ 256 节点 ✅ TDMA 时隙无冲突 ✅ Mesh 路由中继（3级） ✅ 移动节点自适应漫游 ✅ 宏区分网关/节点 ✅ STM32WLE5 SUBGHZ 中断驱动 ✅ 低功耗、可直接编译