LoRA
1. 研究背景与动机
当下，自然语言处理领域普遍采取“大规模预训练＋下游微调”的范式。然而，随着模型规模不断增大，全量微调(fine-tuning) 面临以下两大挑战：
- 存储与部署成本高昂：例如在 GPT-3 175B（约1750亿参数）上进行全量微调时，每个任务都需要保存一套完整的 175B 参数，若同时支持多个任务，则需要占用数 TB 级别的存储空间，且加载模型实例时开销巨大。
- 训练资源门槛升高：对于 Adam 这样的自适应优化器，需要为所有参数维护梯度和优化器状态，GPT-3 175B 全量微调时，显存占用高达约 1.2TB，这对大多数团队和硬件环境几乎无法承受。
为缓解上述问题，既往研究尝试冻结部分权重或通过引入外部适配器（adapter）/前缀（prompt/prefix）等模块来降低可训练参数规模。但这些方法往往会带来以下弊端：
- Adapter 方法增加推理时延：在 Transformer 层间插入一个小规模的瓶颈层（Adapter），虽参数量少，但必须在正向推理时进行额外计算，在线推理时（尤其 Batch Size=1 情况下）延迟不容忽视。
- Prompt/Prefix 方法难以优化且占用输入长度：这类方法通过在输入序列中插入特殊标记，使模型在前向时多处理一段“可训练”激活；但随着特殊标记数目增多，性能提升并不稳定，而且会减少可用于下游任务的实际 Token 数。
鉴于此，论文提出一种新的 低秩适配(LoRA, Low-Rank Adaptation) 策略：在保持预训练权重不变的前提下，通过向每层注入低秩分解矩阵来进行微调，从而在不增加推理时延、不缩减序列长度的情况下，大幅降低可训练参数量和显存占用。
2. 问题定义
假设已得到一个预训练的自回归语言模型 $P_\Phi(y\mid x)$，其参数为 $\Phi_0$。在下游任务中，往往通过最大化条件语言建模目标进行全量微调：
$$ \max_{\Phi}\sum_{(x,y)\in \mathcal{Z}}\sum_{t=1}^{|y|} \log P_{\Phi}(y_t)(y_t \mid x, y_{< t}) \quad,\quad \Phi = \Phi_0 + \Delta \Phi $$此时需为每个下游任务保存一份 $\Delta \Phi$，且 $|\Delta \Phi| = |\Phi_0|$。当 $\Phi_0$ 较大（如 GPT-3 175B）时，无论是存储还是训练显存都几近或超出可承受范围。
论文改写该问题为：寻找一个仅依赖于少量参数 $\Theta$ 的更新映射 $\Delta \Phi(\Theta)$ 使得
$$ \max_{\Theta}\sum_{(x,y)\in \mathcal{Z}}\sum_{t=1}^{|y|} \log P_{\Phi_0 + \Delta \Phi(\Theta)}(y_t \mid x, y_{< t}) \quad,\quad |\Theta| \ll |\Phi_0|. $$最终目标是在显存占用与可训练参数量大幅下降的同时，仍保持或超越全量微调的模型性能。
3. LoRA 方法
3.1 核心思想：低秩分解更新
LoRA 的核心假设是：在大规模预训练模型的下游微调过程中，权重变化 $\Delta W$ 具有“低秩”特性，即若原始权重矩阵 $W_0\in \mathbb{R}^{d\times k}$ 进行更新因子 $\Delta W$，则可以近似为低秩分解
$$ W_0 + \Delta W = W_0 + B A, \quad B \in \mathbb{R}^{d \times r},\; A \in \mathbb{R}^{r \times k},\; r \ll \min(d, k). $$其中，$W_0$ 冻结不更新，仅对矩阵 $A, B$ 进行梯度更新。这样就将原来需要更新的 $d\times k$ 参数量，压缩为 $d\times r + r\times k\approx 2dr$ 个参数。
在前向计算时，对于某一层输入向量 $x\in \mathbb{R}^k$，原本输出为 $h = W_0 x$。采用 LoRA 后，输出变为
$$ h = W_0 x + \Delta W\,x = W_0 x + B (A x). \tag{3} $$因此在实现上，只需在每次前向时多做一个 $A x$ 然后左乘 $B$，并与原始输出相加即可。论文实施时将 $B$ 初始化为零矩阵，$A$ 初始化为服从高斯分布的小随机值，保证微调初期 $\Delta W = BA$ 为零；训练过程中，会对 $A,B$ 应用缩放系数 $\alpha/r$（对相同的学习率而言相当于缩放初始值），以方便在不同秩 $r$ 下无需大幅调参而保持收敛稳定。
3.1.1 与全量微调的关系
- 当 $r = \min(d,k)$ 时，等价于对原始权重矩阵 $W_0$ 进行全秩微调，相当于完整的 $\Delta W$；
- 当采用更小的 $r$ 时，只训练低秩子空间中的更新，从而实现与全量微调相似的表达力，但参数量和计算开销大幅减少。
3.2 在 Transformer 中的应用
论文将 LoRA 主要应用于 Transformer 结构中**自注意力模块（self-attention）**的投影矩阵：查询矩阵 $W_q$、键矩阵 $W_k$、值矩阵 $W_v$、输出矩阵 $W_o$ 以及前馈网络（MLP）部分的全连接权重矩阵。具体做法如下：
- 仅对注意力投影矩阵应用 LoRA：论文在大多数实验中只在 $W_q$ 和 $W_v$ 上引入低秩更新矩阵 $\Delta W_q = B_q A_q$，$\Delta W_v = B_v A_v$，并冻结其它权重（包括 MLP 层和层归一化层等）。实验证明，这样已经能够获得与全量微调相当或更优的性能。
- 保持正向推理时延不变：在部署推理时，只需将训练好的 $\Delta W$ 与 $W_0$ 合并为 $W_0 + BA$，正向计算流程与微调后模型完全一致，没有新增任何顺序化计算，因此不会增加推理时延。
- 灵活切换任务：将 $\Delta W$ 合并后对应于某个任务的权重写入硬盘，多个任务只需维护一份基础预训练权重与若干份低秩适配参数（大小通常为几 MB），切换任务时仅载入对应的 $\Delta W$，显存和存储占用极小。
| 应用位置 | 维度 | 低秩参数量 $\displaystyle 2\times d\times r$ | 说明 |
|---|---|---|---|
| $W_q$ | $d\times d$ | $2dr$ | 查询投影，只改前两项 |
| $W_v$ | $d\times d$ | $2dr$ | 值投影 |
| … | … | … | … |
实践中，仅在 $W_q, W_v$ 上应用 $r=4$ 时（共计适配参数约数 MB 级别），即可满足 GPT-3 175B各种下游任务的性能需求。
4. LoRA 的实用优势与局限
4.1 优势
显存占用降低
- 由于大部分权重冻结，不需为其维护梯度或优化器状态，仅对低秩矩阵 $A,B$ 更新。以 GPT-3 175B 为例，LoRA 微调时显存从约 1.2 TB 降至约 350 GB，节省约 3 倍显存。
可训练参数量大幅减少
- 对 GPT-3 175B，仅在 $W_q,W_v$ 部分以 $r=4$ 方式注入，则低秩参数量约为 4.7 M，相比全量微调（175 B）减少约 10 000 ×。
推理时延不增加
- 预先合并 $\Delta W = B A$ 到权重后，推理流程与全量微调相同，不会引入顺序化计算。与 Adapter 方法相比，Adapter 在每层插入瓶颈层会造成推理时间因顺序运算大幅增长，而 LoRA 不存在此缺陷。
任务切换便捷
- 共享同一份预训练权重，在不同任务间只需加载不同的几 MB 级别的低秩适配参数，存储和部署成本极低。
训练吞吐量提升
- 由于冻结大部分权重，反向传播计算量下降，在相同硬件下可获得约 25% 的训练速度提升。
4.2 局限
批量多任务训练不便
- 若想在一个 Batch 中同时对不同任务样本使用不同的 $\Delta W$（即 A,B 不同），需在正向时动态切换权重，或者不合并权重，此时推理/训练流程复杂。论文指出若对延迟敏感，可以选择动态加载 LoRA 模块，否则需将不同 $\Delta W$ 合并到原权重，从而无法混合多任务一起正向。
低秩假设或不适用所有任务
- 当下游任务与预训练任务域差异极大（例如全新语言、跨模态任务）时，所需更新可能并不低秩，此时 LoRA 的表达能力可能受限。论文在 GPT-3 上实验发现对于大部分 NLP 任务，仅需 $r=1$ 即可；但也提示并非所有任务都适用，需要适度调节秩 $r$。
5. 实验验证
论文在四种主流 Transformer 结构上进行了大规模实验：RoBERTa、DeBERTa、GPT-2 以及 GPT-3 175B。下文中，对照各项结果进行说明。
5.1 基线方法
| 基线名称 | 说明 |
|---|---|
| Full Fine-Tuning（FT） | 对所有权重和偏置进行微调。 |
| BitFit | 仅训练偏置向量（bias），其它权重冻结。 |
| Adapter (Houlsby 等) | 在自注意力和 MLP 后插入瓶颈 Adapter 层。AdapterL/AdapterH 两种变体，分别对应单适配器或双适配器结构，参数量约为原模型的 1% 左右。 |
| Prefix-Tuning/Embedding (PE) | 在输入/层激活前加入 lp + li 个可训练 Token 激活，等同于动态插入额外可训练参数，无法并行优化且会占用下游任务的序列长度。 |
| Prefix-Layer (PL) | 类似于 PrefixEmbed，但对各层插入可训练的激活向量，同样占用计算和序列长度。 |
5.2 RoBERTa Base/Large 上的 GLUE 基准
论文在 GLUE 数据集（包含 MNLI、SST-2、MRPC、CoLA、QNLI、QQP、RTE、STS-B）上对 RoBERTa base (125M 参数) 和 RoBERTa large (355M 参数) 进行了多种方法对比。部分结果汇总如下（指标为各任务对应分数，整体为平均得分；越高越好）：
| 模型 (RoBERTa Base) | 可训练参数 | MNLI | SST-2 | MRPC | CoLA | QNLI | QQP | RTE | STS-B | Avg. | |
|---|---|---|---|---|---|---|---|---|---|---|---|
| FT (125M) | 125 M | 87.6 | 94.8 | 90.2 | 63.6 | 92.8 | 91.9 | 78.7 | 91.2 | 86.4 | |
| BitFit (0.1 M) | 0.1 M | 84.7 | 93.7 | 92.7 | 62.0 | 91.8 | 84.0 | 81.5 | 90.8 | 85.2 | |
| AdapterD (0.3 M) | 0.3 M | 87.1 | 94.2 | 88.5 | 60.8 | 93.1 | 90.2 | 71.5 | 89.7 | 84.4 | |
| AdapterD (0.9 M) | 0.9 M | 87.3 | 94.7 | 88.4 | 62.6 | 93.0 | 90.6 | 75.9 | 90.3 | 85.4 | |
| LoRA (r=4, 0.3 M) | 0.3 M | 87.5 | 95.1 | 89.7 | 63.4 | 93.3 | 90.8 | 86.6 | 91.5 | 87.2 |
| 模型 (RoBERTa Large) | 可训练参数 | MNLI | SST-2 | MRPC | CoLA | QNLI | QQP | RTE | STS-B | Avg. | |
|---|---|---|---|---|---|---|---|---|---|---|---|
| FT (355 M) | 355 M | 90.2 | 96.4 | 90.9 | 68.0 | 94.7 | 92.2 | 86.6 | 92.4 | 88.9 | |
| LoRA (r=8, 0.8 M) | 0.8 M | 90.6 | 96.2 | 90.9 | 68.2 | 94.9 | 91.6 | 87.4 | 92.6 | 89.0 | |
| AdptP (3.0 M) | 3.0 M | 90.2 | 96.1 | 90.2 | 68.3 | 94.8 | 91.9 | 83.8 | 92.1 | 88.4 | |
| AdptP (0.8 M) | 0.8 M | 90.5 | 96.6 | 89.7 | 67.8 | 94.8 | 91.7 | 80.1 | 91.9 | 87.9 | |
| AdptH (6.0 M) | 6.0 M | 89.9 | 96.2 | 88.7 | 66.5 | 94.7 | 92.1 | 83.4 | 91.0 | 87.8 | |
| AdptH (0.8 M) | 0.8 M | 90.3 | 96.3 | 87.7 | 66.3 | 94.7 | 91.5 | 72.9 | 91.5 | 86.4 | |
| LoRA (0.8 M) | 0.8 M | 90.6 | 96.2 | 90.2 | 68.2 | 94.8 | 91.6 | 85.2 | 92.3 | 88.6 |
从上表可以看出，LoRA 在仅用 0.3 M—0.8 M 可训练参数的情况下，几乎匹配甚至略超全量微调，且优于其他几种参数高效微调方法（如 Adapter、BitFit 等）。
5.3 DeBERTa XXL 上的 GLUE 基准
DeBERTa XXL（约 1.5B 参数）也是较大规模可用模型。论文在 GLUE 任务上对比了下列设置：
| 模型 (DeBERTa XXL) | 可训练参数 | MNLI | SST-2 | MRPC | CoLA | QNLI | QQP | RTE | STS-B | Avg. | |
|---|---|---|---|---|---|---|---|---|---|---|---|
| FT (1.5 B) | 1500 M | 91.8 | 97.2 | 92.0 | 72.0 | 96.0 | 92.7 | 93.9 | 92.9 | 91.1 | |
| LoRA (r=8, 4.7 M) | 4.7 M | 91.9 | 96.9 | 92.6 | 72.4 | 96.0 | 92.9 | 94.9 | 93.0 | 91.3 |
结果显示，LoRA 仅用 4.7 M 可训练参数，就能略微超过全量微调的 DeBERTa XXL，且比 Adapter 等方法表现更稳定。
5.4 GPT-2 Medium/Large 上的 NLG 任务
针对生成任务，论文在 E2E NLG Challenge、WebNLG、DART 等数据集上对比了以下方法。以 E2E NLG Challenge（指标包括 BLEU、NIST、METEOR、ROUGE-L、CIDEr；越高越好）为例：
| 模型 & 方法 | 可训练参数 | BLEU | NIST | METEOR | ROUGE-L | CIDEr | |
|---|---|---|---|---|---|---|---|
| GPT-2 Medium (FT, 354.9 M) | 354.9 M | 68.2 | 8.62 | 0.4565 | 0.710 | 2.47 | |
| GPT-2 Medium (AdapterL, 0.37 M) | 0.37 M | 66.3 | 8.41 | 0.450 | 0.698 | 2.40 | |
| GPT-2 Medium (AdapterL, 11.09 M) | 11.09 M | 68.9 | 8.71 | 0.461 | 0.713 | 2.47 | |
| GPT-2 Medium (AdapterH, 11.09 M) | 11.09 M | 67.3 | 8.50 | 0.460 | 0.707 | 2.44 | |
| GPT-2 Medium (FTTop2, 25.19 M) | 25.19 M | 68.1 | 8.59 | 0.460 | 0.708 | 2.41 | |
| GPT-2 Medium (PreLayer, 0.35 M) | 0.35 M | 69.7 | 8.81 | 0.461 | 0.714 | 2.49 | |
| GPT-2 Medium (LoRA, 0.35 M) | 0.35 M | 70.4 | 8.85 | 0.4689 | 0.7186 | 2.5349 |
| 模型 & 方法 | 可训练参数 | BLEU | NIST | METEOR | ROUGE-L | CIDEr | |
|---|---|---|---|---|---|---|---|
| GPT-2 Large (FT, 774.0 M) | 774.0 M | 68.5 | 8.78 | 0.460 | 0.699 | 2.45 | |
| GPT-2 Large (AdapterL, 0.88 M) | 0.88 M | 69.1 | 8.68 | 0.463 | 0.714 | 2.49 | |
| GPT-2 Large (AdapterL, 23.00 M) | 23.00 M | 68.9 | 8.70 | 0.461 | 0.713 | 2.45 | |
| GPT-2 Large (PreLayer, 0.77 M) | 0.77 M | 70.3 | 8.85 | 0.462 | 0.717 | 2.47 | |
| GPT-2 Large (LoRA, 0.77 M) | 0.77 M | 70.4 | 8.89 | 0.4689 | 0.720 | 2.47 |
由此可见，LoRA 在仅 0.3 M—0.8 M 可训练参数的情况下，取得了与全量微调相当甚至略优的生成质量。
5.5 GPT-3 175B 上的规模化实验
最后，论文将 LoRA 扩展至 GPT-3 175B，重点验证其在大模型下的可行性及性能。实验包括 WikiSQL（NL→SQL）、MultiNLI (MNLI-matched) 和 SAMSum（三元组对话摘要）三种任务，结果如下：
| 方法 | 可训练参数 | WikiSQL (Acc. %) | MultiNLI-m (Acc. %) | SAMSum (Rouge-1/2/L) | |
|---|---|---|---|---|---|
| GPT-3 (FT) | 175 255.8 M | 73.8 | 89.5 | 52.0/28.0/44.5 | |
| GPT-3 (BitFit, 14.2 M) | 14.2 M | 71.3 | 91.0 | 51.3/27.4/43.5 | |
| GPT-3 (PreEmbed, 3.2 M) | 3.2 M | 63.1 | 88.6 | 48.3/24.2/40.5 | |
| GPT-3 (PreLayer, 20.2 M) | 20.2 M | 70.1 | 89.5 | 50.8/27.3/43.5 | |
| GPT-3 (AdapterH, 7.1 M) | 7.1 M | 71.9 | 89.8 | 53.0/28.9/44.8 | |
| GPT-3 (AdapterH, 40.1 M) | 40.1 M | 73.2 | 91.5 | 53.2/29.0/45.1 | |
| GPT-3 (LoRA, 4.7 M) | 4.7 M | 73.4 | 91.7 | 53.8/29.8/45.9 | |
| GPT-3 (LoRA, 37.7 M) | 37.7 M | 74.0 | 91.6 | 53.4/29.2/45.1 |
可以看出，LoRA 在极少参数（4.7 M）情况下，已经逼近或超越了全量微调（175 B）的性能，并且随着可训练参数量增加（37.7 M），任务性能略有提升但基本趋于稳定。实验还给出了不同方法在可训练参数数目上的性能曲线（图 2），LoRA 的表现明显更为平滑和可扩展。
6. 对 LoRA 更新矩阵的深入分析
针对为何低秩更新能取得上述效果，论文进行了多项实证研究，探讨更新矩阵 $\Delta W$ 的秩及与原权重 $W$ 之间的关系。以下是关键结论：
6.1 选取哪些权重进行 LoRA 更优
在 GPT-3 175B 上设定约 18 M 参数预算，实验对比了在不同注意力矩阵上分别应用 LoRA 的效果（秩 $r$ 根据权重数目反算，适配 $W_q, W_v$ 时取 $r=4$，仅适配单矩阵时取 $r=8$）。结果（表 5）显示：
| 适配位置 | 可训练参数约 18 M | WikiSQL (Acc. %) | MNLI(m) (Acc. %) | |
|---|---|---|---|---|
| 仅 $W_q$ (r=8) | 18 M | 68.8—70.4 | 90.7—90.9 | |
| 仅 $W_k$ (r=8) | 18 M | 70.0 | 90.8 | |
| 仅 $W_v$ (r=8) | 18 M | 73.0 | 91.0 | |
| 仅 $W_o$ (r=8) | 18 M | 73.2 | 91.3 | |
| $W_q,W_k$ (各 r=4) | 18 M | 71.4 | 91.3 | |
| $W_q,W_v$ (各 r=4) | 18 M | 73.7 | 91.3 | |
| $W_q,W_k,W_v,W_o$ (r=2) | 18 M | 73.7 | 91.7 |
可见，在预算固定时，同时适配 $W_q$ 与 $W_v$（各 $r=4$）能够获得最佳整体表现。单独适配某一矩阵往往次优，比如仅适配 $W_q$ 需要更高 $r$ 才能接近效果。
6.2 更新矩阵是否真低秩？最佳秩 $r$ 的选择
实验进一步在 GPT-3 上考察了不同秩 $r$ 对下游任务性能的影响。以同时适配 $\{W_q,W_v\}$ 为例，在 WikiSQL 和 MNLI 上，当 $r$ 取 1、2、4、8、64 时，性能如表 6 所示：
| 适配位置 | r | WikiSQL (±0.5 %) | MNLI (±0.1 %) |
|---|---|---|---|
| 仅 $W_q$ | 1 | 68.8 | 90.7 |
| 仅 $W_q$ | 2 | 69.6 | 90.9 |
| 仅 $W_q$ | 4 | 70.5 | 91.1 |
| 仅 $W_q$ | 8 | 70.4 | 90.7 |
| 仅 $W_q$ | 64 | 70.0 | 90.7 |
| $W_q,W_v$ | 1 | 73.4 | 91.3 |
| $W_q,W_v$ | 2 | 73.3 | 91.4 |
| $W_q,W_v$ | 4 | 73.7 | 91.3 |
| $W_q,W_v$ | 8 | 73.8 | 91.6 |
| $W_q,W_v$ | 64 | 73.5 | 91.4 |
| $W_q,W_k,W_v,W_o$ | 1 | 74.1 | 91.2 |
| … | … | … | … |
可见，仅用 $r=1$ 即可让 $\{W_q,W_v\}$ 在这两项任务上达到接近最优性能，进一步说明了更新 $\Delta W$ 的“内在秩（intrinsic rank）”极低。反之，仅适配单个矩阵 $W_q$ 时则需要稍大 $r$ 才能逼近。
6.3 更新矩阵 $\Delta W$ 与原权重 $W$ 之间的关联
论文借助**奇异值分解（SVD）和子空间相似度（Grassmann 距离投影）**来探究 $\Delta W$ 与 $W$ 的关联程度。
$\Delta W$ 是否与 $W$ 的主要奇异向量方向对齐？ 定义对于矩阵 $W$ 的前 $r$ 个左右奇异向量分别为 $U_W \in \mathbb{R}^{d\times r}, V_W \in \mathbb{R}^{k\times r}$；对于 $\Delta W$ 的对应前 $r$ 个奇异向量为 $U_{\Delta}, V_{\Delta}$。论文计算了
$$ \lVert U_{\Delta}^\top\,W\,V_{\Delta} \rVert_F \quad\text{与}\quad \lVert W \rVert_F,\;\lVert \Delta W \rVert_F $$的对比，发现 $\Delta W$ 与 $W$ 之间存在明显相关性，即 $\lVert U_{\Delta}^\top\,W\,V_{\Delta} \rVert_F$ 远大于对随机矩阵情形，说明 $\Delta W$ 更倾向于放大 $W$ 中尚未充分强调但对下游任务重要的特征模式。举例：在 GPT-3 第 48 层 $W_q$ 上，当 $r=4$ 时，有
$$ \frac{\|\Delta W_q\|_F}{\|U_{\Delta}^\top\,W_q\,V_{\Delta}\|_F} \approx 21.5, \quad \lVert W_q\rVert_F \approx 61.95,\;\lVert \Delta W_q\rVert_F \approx 6.91,\;\lVert U^\top W_q V\rVert_F \approx 0.32, $$而随机矩阵投影仅约 0.02，可见 $\Delta W$ 在特征放大方面的力度远超随机噪声。
不同秩 $r$ 学得的子空间是否一致？ 论文考察了在相同层（如 GPT-3 第 48 层）下，$\Delta W$ 当 $r=8$ 与 $r=64$ 时得到的奇异值向量子空间之间的重叠程度，计算归一化子空间相似度 $\phi(\Delta W_{r=8}, \Delta W_{r=64})$，发现最重要的前几维方向（尤其第 1 奇异向量）高度重合，而后续方向多为噪声。由此进一步佐证：$\Delta W$ 的“有效秩”非常低。
不同随机种子学得的 $\Delta W$ 子空间是否稳定？ 当 $r=64$ 时，论文对两次随机初始化训练得到的 $\Delta W$ 做同样的子空间相似度分析，发现前数个奇异方向在不同种子之间具有一定重叠，而随机高秩矩阵之间却无此现象。说明 LoRA 的优化结果并非完全随机，而是在低秩子空间里学得了较稳定的模式。
7. 结论与展望
7.1 主要贡献
- 提出 LoRA，利用低秩分解技术，仅对部分权重层注入 $B\in \mathbb{R}^{d \times r}$、$A\in \mathbb{R}^{r \times d}$ 两个低秩矩阵进行微调，而冻结大部分预训练权重，从而显著降低可训练参数量（如 GPT-3 175B 仅需 $\sim4.7$ M），同时在推理阶段不引入额外时延。
- 在多种模型（RoBERTa、DeBERTa、GPT-2、GPT-3）和任务（NLU、NLG）上全面实验，证明 LoRA 在仅用数百万参数的情况下，能够获得或超过全量微调的性能，并优于其他高效微调方法（Adapter、Prefix 等）。
- 通过实证分析，揭示了微调更新矩阵 $\Delta W$ 的“内在秩”极低，并与原权重 $W$ 具有显著相关性，从而从理论和经验两方面说明 LoRA 原理的合理性。
7.2 未来研究方向
论文指出若干可拓展方向：
- 与其他高效微调方法结合：如将 LoRA 与 Prefix-Tuning、Adapter、Tensor-Product 结构等组合，或利用不同张量分解方法进一步压缩参数空间。
- 微调机理研究：深入探索为何低秩更新能够捕获下游任务所需特征，以及 $\Delta W$ 如何重塑预训练特征空间。LoRA 的低秩约束使得此类分析更易开展。
- 自动化权重选取：目前论文主要通过经验或少量验证选取在哪些权重矩阵上应用 LoRA；未来可研究更有理论依据或通过自动搜索的方式来决定最优注入位置。
- 进一步压缩与加速：针对不同任务的秩需求进行动态调节，或探索更稀疏/结构化的低秩分解形式，以在更严格资源约束下保持性能。
总之，LoRA 在保持推理效率的前提下，实现了对大规模预训练模型微调的极大参数压缩，为大模型在资源受限环境下的下游部署提供了可行方案，并为进一步研究微调机理提供了启发。