RAG vs LoRA大模型调优怎么选？我们集合了128位用户真实观点_服务软件

1. 【干货】大模型技术栈详解

2. 大模型微调强化学习LORA、RAG

3. 大模型微调有必要做吗？全参数微调、LoRA还是RAG？看完这篇你就懂了

4. 大模型微调方法全解析

5. 面试真题

6. 大模型微调

7. LoRA模型的优势和劣势分别是什么？对算力有什么要求？

8. 关注LoRA的不要错过Thinking Machines 第三篇Blog

9. 💡LoRA低秩适应实战指南

10. LoRA，P-Tuning 微调原理

11. 大模型微调技术全解析

12. 【AI编程】模型微调核心技术

13. 从“越调越懵”到“心中有数”

14. LoRA跌落神坛？浙大新作

15. 告别 Prompt 调优！带你深入 LLM 大脑禁区

16. RAG 调优终极指南

17. 12种PEFT方法全面评测！DoRA在RLVR推理任务中全面反超LoRA

18. 从场景来看，企业应用中是微调还是RAG？

19. RAG调优实战（一）精准锁定，2个优化让准确率3倍提升

20. RAG调优实战（二）驱逐“噪音”，拉升准确率的3大硬核优化

21. 为什么我不再相信RAG？实战RAG弊端揭秘

22. RAG 不是万能解，这些场景你一开始就不该用

23. 一文讲透AI模型优化三大路径

24. 详细解释下SFT /lora/Qlora/指令微调/多轮对话优化等的详细对比?

25. 我是这样理解 LoRA 微调的

26. LangChain RAG核心详解(二)

27. AI Infra 核心逻辑与大模型行业趋势

28. RAG、LangChain、Agent 到底有什么关系？

29. 五种主流且高效的微调技术，助你用有限资源实现定制化：1. 传统微调对LLM不现实，因模型参数量庞大，算力成本极高。参数高效微调（PEFT）因此诞生，核心是对权重矩阵做低秩近似，显著降低训练开销。2. LoRA：在大模型权重矩阵旁添加两个低秩矩阵A和B，只训练这两个小矩阵，节省存储和计算，适合超大模型。3. LoRA-FA：冻结矩阵A，仅更新B，进一步降低显存需求，保障训练稳定。4. VeRA：将A、B设为随机且共享，改为学习层特有的缩放向量，实现更轻量的层间适配。5. Delta-LoRA：在LoRA基础上，动态将A×B的增量“叠加”到原权重W，提升微调灵活性。6. LoRA+：发现矩阵B比A更需高学习率，调整学习率策略，改善收敛效率。这些方法不仅降低算力门槛，更是微调方法论的变革——不再盲目调整全部参数，而是精准塑造“关键方向”。未来趋势是结合模型结构智能选点，支持多任务与持续学习，打造可组合、可扩展的“微调语言”。PEFT不是简单的工程优化，而是智能塑造大模型知识的设计语言，开启了人人可控大模型定制的新时代。原文链接：x.com/_avichawla/status/1996467023334039646

30. RAG 如何用 AI 赋能私有数据

31. LoRA微调的研究还能热很久吗？

32. AI的安全从来不是加个补丁的事。而是要把安全基因嵌进模型的每一步。#大咖观察 #红衣聊AI #网络安全

33. 15种LLM微调与优化技术1. LoRA（Low-Rank Adaptation）LoRA通过在模型权重矩阵上添加两个低秩矩阵（A 和 B）来表示微调参数，仅调整这两个矩阵的参数而冻结原模型，大幅减少参数量和显存占用，同时保持较好的性能。2. QLoRA（Quantized LoRA）QLoRA在LoRA基础上结合量化（如4-bit量化），先将预训练模型压缩成低精度版本，再在此基础上应用LoRA进行微调，从而在单GPU上完成大模型的高效微调。3. Prefix Tuning在输入序列前添加一段可训练的“前缀向量”，这些前缀向量在Transformer各层作为额外的Key/Value，指导模型生成特定风格或任务输出，而无需修改原模型参数。4. Adapter Tuning在每层Transformer中插入一个小型“适配层”（Adapter），在微调时仅更新这些Adapter参数。它能让一个基础模型在多个任务间共享主体参数，每个任务只需存储一个Adapter模块。5. Instruction Tuning（指令微调）通过让模型学习遵循自然语言指令（instruction）的示例，训练模型学会根据人类命令执行任务。比如“请总结这段文字”。这是ChatGPT等指令跟随模型的重要训练阶段。6. P-Tuning（Prompt Tuning with Continuous Embeddings）用可训练的连续向量（而非文字prompt）替代人工编写的提示词，并在输入层与模型嵌入层联合训练，使模型能更好理解任务意图。7. BitFit一种极简的参数高效微调方式，仅微调模型中的偏置项（bias），其余参数全部冻结，能以极小代价获得不错的迁移效果。8. Soft Prompts（软提示）与P-Tuning类似，是一组可训练的“虚拟token”嵌入，用作提示信息。区别在于Soft Prompt通常直接插入到输入层，而不一定在所有层传播。9. RLHF（Reinforcement Learning from Human Feedback）“基于人类反馈的强化学习”，通过人工标注的偏好数据训练一个奖励模型（Reward Model），然后用PPO等强化学习算法优化语言模型，使其输出更符合人类价值和偏好。10. RLAIF（Reinforcement Learning from AI Feedback）与RLHF类似，但用一个强大的AI模型（如GPT-4）替代人类评审者，自动生成偏好反馈，降低人工标注成本。11. DPO（Direct Preference Optimization）一种无需强化学习的偏好微调方法，直接根据偏好数据优化模型概率分布，让模型输出更受偏好样本的影响，效率更高，稳定性也好于RLHF。12. GRPO（Group Relative Policy Optimization）DPO的扩展版本，基于“组内相对偏好”的概念，将多个候选答案同时比较，而不是两两对比，能更稳定地学习复杂的偏好结构。13. RLAIF（RL with AI Feedback）与前面第10项是同义技术的不同表述。它的重点在于：AI模型（如GPT-4或Claude）作为“教师”，提供奖励信号，使学生模型通过RL不断改善。14. Multi-Task Fine-Tuning（多任务微调）同时在多个任务或数据集上训练模型，通过共享底层参数提升泛化能力，使模型能在多种任务上表现良好。15. Federated Fine-Tuning（联邦微调）不同设备或组织各自对本地数据进行微调，只上传模型更新（梯度或参数差异），由中心服务器聚合。它保护隐私、减少数据共享，同时能持续改进全局模型。#人工智能##科技#

34. 【保姆级】RAG智能体终极方案：n8n+Google File Search，零门槛搭建高精度RAG工作流！

35. Eigen-Banana-Qwen-Image-Edit：使用 Qwen-Image-Edit LoRA 快速图像编辑

36. Thinking Machines曝LoRA终极指南：10倍学习率，媲美全参微调

37. LlamaIndex 深度实战：用《长安的荔枝》学会构建智能问答系统网页链接“这篇文章兼顾了 RAG 的科普与 LlamaIndex 的实战。无论你处在哪个阶段，都能找到适合自己的阅读路径：1. 如果你是 RAG 或 AI 新手（👋 欢迎！）建议从第一部分：原理篇开始。这部分会用一个生动的比喻，帮你建立 RAG 的核心概念，理解 AI 是如何"读书"的。然后，你可以直接跳到第二部分：实战篇，快速体验用 30 行代码构建一个问答系统的乐趣。第三部分：优化篇和第四部分：架构篇可以先收藏，等有概念后再来深入。2. 如果你熟悉 RAG，想深入 LlamaIndex（🚀 进阶！）你可以快速浏览第一部分：原理篇，回顾一下核心概念。第二部分：实战篇值得一看，LlamaIndex 的 API 非常简洁高效。第三部分：优化篇是本文的精华。我们通过真实实验，展示了 chunk_size 和 top_k 等参数对结果的具体影响，这对于生产环境调优至关重要。第四部分：架构篇将帮你理解 LlamaIndex 的内部机制，为你的二次开发或深入定制打好基础。”

38. RAG（检索增强生成）会不会消亡呢？

39. 如果AI的终极形态不是在屏幕里，而是在现实世界里替人类干活。你觉得下一个爆发点会先出现在机器人，自动驾驶，还是医疗？#大咖观察 #红衣聊AI #科技 #人工智能 #黄仁勋

40. 大模型更像人的大脑，智能体是大模型的手和脚。 #大咖观察 #红衣聊AI #智能体 #大模型

41. 华为昇腾宣布0Day支持DeepSeek-V3.2-Exp DeepSeek-V3.2-Exp重磅发布！华为宣布零Day支持！国产大模型牵手国产算力的背后是国产AI基建越来越成熟的适配能力！#华为 #昇腾 #DeepSeek

42. AI的未来，也许不在于模型规模的无限扩大。 #大咖观察 #红衣聊AI #transformer神经网络架构 #人工智能

43. 教程：All-in-RAG | 大模型应用开发实战一：RAG技术全栈指南网页链接本项目是一个面向大模型应用开发者的RAG（检索增强生成）技术全栈教程，旨在通过体系化的学习路径和动手实践项目，帮助开发者掌握基于大语言模型的RAG应用开发技能，构建生产级的智能问答和知识检索系统。主要内容包括： RAG技术基础：深入浅出地介绍RAG的核心概念、技术原理和应用场景数据处理全流程：从数据加载、清洗到文本分块的完整数据准备流程索引构建与优化：向量嵌入、多模态嵌入、向量数据库构建及索引优化技术检索技术进阶：混合检索、查询构建、Text2SQL等高级检索技术生成集成与评估：格式化生成、系统评估与优化方法项目实战：从基础到进阶的完整RAG应用开发实践#微博兴趣创作计划#

44. 《RL Learning with LoRA: A Diverse Deep Dive》kalomaze分享了他们在prime-rl中集成LoRA训练的实践经验和实验结果，深入探讨了LoRA在强化学习（RL）中尤其是RLVR（可验证奖励强化学习）中的应用价值。 LoRA训练的效果关键在于“新信息”的稠密度。对于信息丰富、需要高秩调整的监督微调（SFT）任务，LoRA可能受限；但RLVR因奖励稀疏，适合用LoRA，既能保持全微调性能，又显著降低内存需求和训练成本，支持多任务适配器并行服务。 prime-rl中的LoRA设计灵活，允许用户选择性微调模型中的注意力投影（q_proj、k_proj、v_proj、o_proj）和MLP层（gate_proj、up_proj、down_proj），同时默认冻结归一化层和嵌入层，兼顾性能和效率。他们通过三个实验验证了LoRA表现：1. 字母排序任务：低秩LoRA（rank=1）即可胜任多轮状态追踪，表现接近全微调，且显著节省显存，支持更大批量训练。2. 乱序句子重排任务：需要更高秩适配以捕捉深层语义，低秩LoRA学习较慢但不受根本限制，表现可随训练深入改进。3. 单轮数学推理任务：高秩LoRA优于低秩，说明不同任务对秩需求差异显著，秩大小和奖励改善的关系不易预测。此外，作者提出了rsLoRA的α/√r比例缩放，解决了传统LoRA因秩增大导致有效学习率下降的问题，实现不同秩大小间梯度均衡，有助于训练稳定和性能提升。他们强调LoRA的优势不仅在于节省内存，还在于更灵活的适配策略和多任务支持，计划继续优化LoRA算法、引入专家模型（MoE）和多适配器训练，推动开源强化学习生态发展。总的来说，LoRA正成为RLVR领域高效微调的有力工具，尤其适合资源有限但需多任务适配的应用场景。未来，随着训练技巧和架构改进，LoRA有望在更广泛的强化学习任务中发挥更大作用。阅读原文了解更多细节：kalomaze.bearblog.dev/rl-lora-ddd/

45. 大模型时代法务文档智能处理技术实践

46. 最新文章分享：LoRA参数高效微调方法及其应用的全面分析

47. 《REFRAG: Rethinking RAG based Decoding》Meta最新发布的REFRAG技术，彻底解决了检索增强生成模型（RAG）最大的瓶颈：解码效率低下。相比传统RAG，REFRAG实现了30倍更快的首词生成速度，同时保持零准确率损失。问题核心在于：RAG在输入大量检索段落时，实际只有5-10段内容对生成有用，剩余多数成为计算负担，但模型仍对所有段落进行全面注意力计算，导致时间和内存资源巨大浪费。传统RAG用16K上下文时，首次输出延迟超过100秒，吞吐量下降10倍，内存消耗爆表。REFRAG通过将上下文块压缩成单一嵌入向量，避免了对全部16,384个token的逐一处理，仅需处理约1,024个压缩块嵌入，极大减少计算量。成果显著：- 首词生成速度提升30.85倍- 语义困惑度（perplexity）无损失- 上下文容量扩展16倍（4K token → 64K token）- 性能超越前沿技术3.75倍为何行得通？因为RAG的注意力模式稀疏，大多数检索段落间无交互。REFRAG通过以下三点巧妙利用这一点：1. 预计算并缓存嵌入，推理时重复使用2. 基于强化学习的压缩策略，智能决定哪些块需展开3. 不受位置限制，任意位置均可压缩实际应用优势：- 仅8段文本的延迟即可达到单段处理速度- 在检索器性能较弱时，依然提升准确率- 可支持无限长会话历史- 无需修改基础模型架构这项技术改变了RAG的计算经济学：更多上下文、更低延迟，且成本更优。REFRAG不仅是性能优化，更是RAG从“功能”向“基础设施”转型的关键一步。它告诉我们，提升AI系统效率的关键不在于盲目增加计算资源，而是精准减少无效计算，压缩信息冗余，从根本上优化流程。更多细节和论文链接见：arxiv.org/abs/2509.01092这背后，技术创新带来的不仅是速度，更是未来大规模长文本理解与生成的基石。希望更多开发者和研究者能从中得到启发，推动RAG技术应用迈入新阶段。

48. 开源是战略，生态是王炸，阿里千问入局AItoC #千问 #大模型

49. AI圈最顶级的一次争吵，理解世界还是堆模型？ #大咖观察 #红衣聊AI #大模型 #人工智能

50. 做了个RAG评估小框架开源做RAG时发现，麻烦的往往是数据处理到评估的那条流水线。所以顺手写了个工具，用中文数据集做基准，内置标准流程，方便快速试不同的检索和生成方案平时主要用它两件事，一是快速验证新想法，不用重复写脚本，二是在同一套指标下对比不同策略，看问题出在哪#rag#

51. 在构建RAG Agent时，哪些场景应该用确定性逻辑判断取代LLM的概率推理，具体怎么实现？

52. 市值近600亿，大模型公司上市了！ #AI #智谱ai

53. 未来智能体不能把它看成软件，它可以把大模型的专业能力提炼出来 #大咖观察 #红衣聊AI

54. 大模型只是能力，必须要跟场景结合。 #大咖观察 #红衣聊AI #大模型

55. Leonie Monigatti深入剖析了AI代理中的记忆演进，从最初的RAG（检索增强生成）到Agentic RAG，再到具备读写能力的Agent Memory，厘清了这一系列技术的核心逻辑与突破。RAG诞生于2020年，其核心是将离线存储的外部知识检索进LLM上下文，解决模型记忆有限带来的问题。但其“单次检索”与“只读”限制导致复杂场景下仍有误导风险。Agentic RAG引入了“工具调用”机制，允许智能体主动判断是否需要检索、选择检索工具，并评估检索结果相关性，显著提升了灵活性和准确性，但仍无法动态学习和更新信息。Agent Memory则迈出关键一步：支持智能体不仅读取，还能写入和管理外部记忆，实现基于历史交互的持续学习和个性化体验。它将记忆从“静态”转变为“动态”，但也带来了记忆管理和遗忘机制的新挑战。这三者共同体现了信息“存储-检索-编辑-删除”的完整闭环，也反映了AI系统从单点知识调用向复杂记忆体系演进的趋势。未来，如何设计高效的多源、多类型记忆管理策略，将是提升AI智能和人机交互体验的关键。详细内容及代码示例请见原文：leoniemonigatti.com/blog/from-rag-to-agent-memory.html

56. 全球大模型第一股，为啥是家中国公司？ #智谱 #智谱上市 #智谱IPO #GLM大模型 #全球大模型第一股诞生

57. 与其追求成为一个从不犯错的人，不如打造一个就算犯错也能被纠正的流程。#大咖观察 #红衣聊AI #人工智能 #大模型

58. 在大模型应用中，如何提升RAG（检索增强生成）的能力？

59. 以下是关于生产环境中微调大语言模型（LLM）的一些关键技术总结，适合技术爱好者和工程师参考：- LoRA 和 QLoRA：参数高效微调，节省计算资源 - PEFT 库：支持多种适配器方法，提升灵活性 - 指令微调（Instruction tuning）：提升模型执行特定任务的能力 - 数据集格式处理（ChatML、Alpaca、ShareGPT）：保证训练数据规范化 - DeepSpeed ZeRO：优化内存使用，支持更大模型训练 - Flash Attention 2：加速训练过程，提高效率（但部分观点认为稍显过时） - 梯度检查点（Gradient checkpointing）：支持更长上下文的训练 - BitsAndBytes：实现4位/8位量化，显著减少显存占用 - RLHF 和 DPO：强化模型对齐，提升生成内容质量和安全性 - 分词器训练及词汇扩展：适应特定领域和新词汇 - 评估指标（困惑度Perplexity、ROUGE、人类评估）：全面衡量模型性能 - Unsloth：提升微调速度，节约时间成本 - 多GPU训练策略（FSDP、DDP）：充分利用硬件资源，实现高效分布式训练这些技术涵盖了从模型微调效率、训练资源优化到模型性能评估的方方面面，构成了现代LLM微调的完整技术栈。掌握它们，有助于在实际生产环境中实现高效且高质量的模型定制。原推文链接：x.com/athleticKoder/status/1982794780221542478

60. Windows不使用docker搭建RAG最简单的方法是什么？

61. 深度解析RAG、LangChain、Agent三者间的关系（附应用案例+大厂内部资源合集）

62. 知识库（Knowledge Base）与知识图谱（Knowledge Graph）到底该怎么选？

63. RAG与大模型面试问题专业解答

64. 一文说明白LoRA/QLoRA超参数：参数最优选择策略，及正确配置完整指南打造最优微调实践

65. 2025西瓜AI大模型RAG项目实战课高性能知识库百度网盘下载

66. 别再乱试了！全参、LoRA、RAG：3 张图看懂你的 AI 项目该选哪种方案

67. 大模型系列：再谈LoRa相关技术要点

68. 一文搞懂 RAG：从原理到调优，让 AI 回答准到飞起

69. RAG为什么会"越用越慢"？一份来自生产环境的反向调优指南

70. 突破AI知识边界：探索GraphRAG、向量RAG和Agentic RAG的融合之路

71. 一文读懂传统RAG、多模态RAG、Agentic RAG与GraphRAG

72. 给AI更多知识，Engram与RAG 如何选择？

73. 大模型适配技术：全量微调（Full Fine-Tuning）、LoRA、RAG 对比学习笔记

74. 从零微调大模型：LoRA与QLoRA技术详解

75. LoRA（Low-Rank Adaptation）综述

76. 面试官问：为什么 RAG 越用越慢？如何反向调优？

77. 【RAG入门必看】什么是RAG？如何搭建、调优、评估效果？

78. 大模型显存计算小程序更新！训练端功能上线，全参数，LoRA，QLoRA显存一键算

79. 神奇的LoRA：用了最简单的乘法法则，但参数少了10000倍

80. 面试高频题：RAG 为何越用越慢？性能调优策略全解析

81. 理解与创新：RAG、Graph RAG以及Agentic RAG在AI中的应用

82. 一文详解大模型QLoRA微调，从LoRA到量化技术

83. Poly-PRAG：高效LoRA路由RAG

84. 8 种 RAG 架构详解：RAG知识别学错了

85. RAG从入门到精通！从原理到调优，让AI回答准到飞起，收藏这篇就够了！

86. 9个RAG调优方法——高级RAG

87. LoRA详细步骤解析

88. 【收藏必备】LoRA/QLoRA微调大模型全攻略：从零基础到项目上线，附成套脚本与模板

89. 干货|从FiDRAG到GraphRAG，RAG选型终极指南

90. 高级RAG教程分享

91. 什么是LoRA？一篇文章让你彻底了解LoRA：原理、应用与优势！

92. 为什么 RAG 越用越慢？如何反向调优？

93. UltraRAG 3.0 重磅开源：开箱即用，可视化搭建 RAG 应用！

94. 普通人也能玩转AI模型训练！保姆级教程：如何利用LoRA技术，在一天内训练出你专属的“行业模型”！

95. 大道至简，微软实现的LoRA算法

96. 冷静祛魅与场景深耕：RAG 技术 2025 复盘与 2026 前行方向

97. 参数高效微调三剑客：LoRA、MoLoRA与MoR1E的深度比较与应用指南

98. 【收藏必学】大模型微调三大技术对比：全模型微调、LoRA与RAG实战指南

99. # 大模型微调新突破！DropLoRA让LoRA性能飙

100. Deepseek 14B模型OCR增强与参数调优，本地RAG方案优化实践大揭秘！

101. 【LoRA微调】 20分钟让你彻底搞懂大模型微调LoRA，明白LoRA高效微调背后的核心原理！从原理到调参，一次性讲清楚，不信你学不会！大模型|LLM|微调

102. 大模型入门笔记（14）：LoRA

103. 使用llamafactory框架进行qlora微调教程

104. 多模态RAG和传统RAG的对比——以及Agent智能体在两种RAG之间扮演的角色

105. MoLoRAG：多模态逻辑感知RAG，引导长文档理解新范式

106. 50讲精通RAG与Agent性能调优：从入门到高阶实战 - 哔哩哔哩

107. 从LoRA到Multi-LoRA：原理&代码实践

108. Qwen Image LoRA保姆级训练教程 | 秘密武器：一个LoRA，通吃image和edit模型，完美解决角色一致性！

109. 4090能驯服百亿参数大模型吗?FSDP与LoRA的实战拆解

110. LoRA：PyTorch从0开始实现LoRA（附代码）

111. LoRA微调的秘密

112. 基于大模型的智能问答场景解决方案—RAG提升召回率的关键

113. 大模型RAG进阶实战营

114. 🧪 瑞克带你 1 分钟看懂 LoRA 原理！

115. RAG技术的五种分类——不同种类RAG之间的区别与联系

116. 大模型落地企业场景：RAG与微调如何选择？这篇指南值得收藏

117. Rag与Agent 性能调优50 讲

118. RAG的主流类型第二期

119. 8种主流RAG技术架构详解！

120. Bubble-RAG：进化中的RAG，精准答案触手可得

121. 保姆级RAG全栈教程《all-in-rag》

122. 传统RAG（检索增强生成）与HyDE、Graph RAG 和 Agentic RAG

123. 📘 RAG+LlamaIndex全流程实战，从0到上线大模型越来越强，但要真正落地，还得懂 RAG（检索增强生成）+ LlamaIndex！ 📘《LlamaIndex大模型RAG开发实践》全面拆解从入门到部署的全流程：核心技能：RAG概念、LlamaIndex架构、嵌入与索引实战项目：个性化智能辅导系统PITS全链路实现进阶技巧：数据整合、检索优化、后处理与响应合成智能体构建：ChatEngine、ReAct、LLMCompiler实战提示工程：高质量Prompt设计与性能调优部署运维：本地/云端部署、性能追踪与评估适合👇 ✅ AI研发工程师 ✅ 想用大模型做产品的开发者 ✅ 高校师生 & 技术爱好者 ✅ 企业技术负责人让你的大模型应用不仅能答，还能准、快、懂上下文！ #llamaindex #检索增强生成 #大模型rag #好书推荐 #cjavapy

124. 日常办公常用的 5 个大模型参数调优

125. 70B 大模型的 “小手术”：LORA 微调咋让 AI 变专才

126. RAG 调优核心：文本切分决定 70% 的性能表现

127. RAG评估方法

128. LoRA新突破：α-LoRA微调

129. RAG vs. 微调 vs. 提示工程：企业构建生产级LLM应用的战略选择与技术深度解析

130. 大模型面经——LoRA最全总结

131. LoRA 模型的全新玩法——AutoLoRA 带你体验 LoRA 检索与融合的魔法

132. RAG全栈技术入门到精通高精准AI应用 ,RAG智能评估优化教程资料网盘 - 哔哩哔哩

133. 大语言模型微调技术全攻略：从LoRA到LoRA+，一篇搞定，建议收藏！！

134. RAG与Agent性能调优50讲，更新

135. 轻松拿捏🤏🏻 超参数调优

136. LangChain1.0教程：使用RAG Agent和RAG Chain构建RAG智能体

137. LoRA、PPO、DPO、RAG：这些词什么时候会害你

138. LoRA大模型微调技术

139. 每天吃透一个大模型知识No:43-超参数调优

140. RAG系列教程（一）：RAG三问，一文让你明白什么是RAG

141. 导师问我：“你给这几个模型调优的依据到底是什么？”，我当时就懵了...

142. Q_LORA_RANK和KV_LORA_RANK

RAG vs LoRA大模型调优怎么选？我们集合了128位用户真实观点

精选参考来源