深度分析
PEFT 與 LoRA：多元微調技術效能與資源取捨分析
隨著參數有效微調（PEFT）成為調整開源模型的主流，LoRA仍佔據絕大多數使用率；HF以統一API提供多種PEFT方法，基準測試發現OFT、BEFT等在記憶體與準確度上可優於LoRA。此結果提醒開發者在選擇微調技術時，應根據效能與資源需求權衡，而非預設LoRA為唯一選項。
深度分析
隨著參數有效微調（PEFT）成為調整開源模型的主流，LoRA仍佔據絕大多數使用率；HF以統一API提供多種PEFT方法，基準測試發現OFT、BEFT等在記憶體與準確度上可優於LoRA。此結果提醒開發者在選擇微調技術時，應根據效能與資源需求權衡，而非預設LoRA為唯一選項。
深度分析
COMPASS提出一套以資料為中心的多語言適配方法，結合參數高效微調（PEFT）與語義導向取樣，為目標語言訓練輕量語言專屬適配器。方法先用多語嵌入表示將訓練、輔助與評估資料聚類，量化群集間的分布落差，並優先從欠缺語義群集中抽樣輔助資料以補足訓練覆蓋。