LoRA（Low-Rank Adaptation，低秩适配）是一种参数高效微调技术，通过在冻结的模型权重旁注入少量低秩矩阵来训练个性化能力，大幅降低算力与存储成本。它最初用于大语言模型的低成本定制，如今已扩展到多模态、端侧设备与智能体系统，成为开源社区和应用厂商最常用的个性化手段之一。
LoRA 近期进展
当前焦点与观察点
LoRA 的讨论目前集中在三个方向。其一是产品化：像 Tongyan Lingzhi 这样的团队试图让普通用户而非开发者拥有自己的适配器，个人 AI 的所有权与数据归属问题随之而来。其二是端侧化：在手机 NPU 等本地硬件上完成微调，可以把个性化与隐私保护合并解决，但受限于内存与算力，能微调的模型规模仍然有限。其三是与智能体架构的融合：以权重切换携带能力、以适配器为记忆载体的思路，正在改变“模型—技能”的组织方式。
争议方面，支持者认为低秩适配以极小开销换取高度定制化，是开源生态繁荣的关键；批评者则指出其在复杂推理任务上与全参数微调仍有差距，且大量低成本生成的 LoRA 权重也带来了版权与滥用隐患。随着 Together 等厂商把训练服务托管化、腾讯混元等模型方持续开源可微调的基座，LoRA 大概率会继续作为个性化 AI 的默认底层组件存在，值得观察的是端侧微调何时真正达到消费级可用。