NLP / 大语言模型 · 2023 · QLoRA
QLoRA: Efficient Finetuning of Quantized LLMs
Tim Dettmers et al.
将量化基座与低秩适配结合，降低语言模型微调的显存开销。
量化参数高效微调NF4
复现空间 · 建议计划
进阶 · 小规模训练 · 编辑建议，尚未实测
最小实验目标
对可容纳的小模型比较 LoRA 与 4-bit QLoRA 的显存和验证表现。
数据集 / 环境
OASST1 或经许可的固定指令子集。
评估项
- 峰值显存
- 验证损失
- 任务分数
边界与常见偏差
先核对 GPU、量化后端和模型兼容性；不把小模型结果外推成 65B 训练资源承诺。
实验验收协议
- 阅读原文，选定要对齐的具体表格、模型变体与数据划分；把缩小规模或替换组件单独列出。
- 核对作者资源的许可与依赖，锁定代码 commit、权重版本、硬件、随机种子和完整运行命令。
- 先完成数据与推理检查，再执行约定的实验；记录多次运行结果、资源消耗和失败案例。
- 提交可核验的代码、配置、日志与报告。原论文数值须注明表格和协议，当前指标必须附实际运行证据。
实验记录
- 原论文对齐目标
- 待认领后选定具体表格与评估条件
- 社区复现指标
- 暂无已验证结果
暂无实验日志与复现报告。收录此论文不表示社区已完成训练或评估；后续记录通过仓库 Issue 和 Pull Request 补充。