★
Menu
Home Hoe het wordt gebouwd Watchlist De stack
Hardware ChipsChips vergelijken Servers & systemenNetwerken GeheugenFabrieken & packaging Koeling
Faciliteiten DatacentersVermogen ProjectenCloud & GPU-rekenkracht
Intelligentie AI-modellenSoftware AI-productenBenchmarks OnderzoeksartikelenDatasets Concepten
Ecosysteem BedrijvenAandelen MensenTijdlijn TrendsToekomst van AI
Leren Nieuws Stel de data een vraag AI-agenten
Over Over ons Methodologie Data & API Disclaimer
Opties
DATA & API

Gratis alleen-lezen JSON-toegang tot de gecachte gegevens van de site.

Donkere modus

Begeleid overzicht
Nieuw met chips, datacenters en modeljargon? We leggen belangrijke termen uit terwijl u bladert, in begrijpelijke taal. Dezelfde data, met ingebouwde uitleg.

Expertoverzicht
Je kent de stack al. Gewoon de data: schoon, snel en compact, zonder extra uitleg. Dit is de standaardweergave.

Interfacetaal
‹ Terug
Home › Onderzoeksartikelen › LoRA: Low-Rank Adaptation (2021)

LoRA: Low-Rank Adaptation (2021)

Onderzoeksartikel Systemen

Fine-tuning for the GPU-poor — tiny adapters instead of full weights.

U bekijkt een onderzoeksartikelrecord: een invloedrijk artikel en wat het aan het vakgebied heeft toegevoegd.

Microsoft researchers showed models adapt through low-rank update matrices a thousandth the size of the weights — making fine-tuning accessible to anyone with one GPU and creating the adapter ecosystems around Llama and Stable Diffusion.

Hoe dit aansluit op de rest van de stack

Introduced in · 1 Basis for · 1 LoRA: Low-Rank Adaptation (2021)

De koppelingen van dit record in één oogopslag — klik op een groep om er naartoe te springen.

Geïntroduceerd in

Basis voor

Bronnen

arXiv 2106.09685 ↗

Record beoordeeld per 2026-01-15 — bekijk Methodologie.