lora

该论文提出 Fiber Regulation Theory (FRT) 与 Fiber Acquisition Theory (FAT) 两个理论框架，刻画受保护的功能修复与可训练结构的形成/续期动力学，并在 Qwen2.5-32B 上通过受保护头修复与固定容量 LoRA 续期验证联合策略优于单独策略。

一位开发者为 llama.cpp 分享了自定义的通用与融合 LoRA 内核，在 Strix Halo 上运行 LoRA 适配器时，提示词处理吞吐量从约 300 t/s 恢复到约 1400 t/s，并邀请其他人协助将这些改动推入上游。

该论文提出一个多粒度评估框架，结合字符错误率、音节错误率和分词错误率，评估藏语语音识别在多方言与不同适配策略下的表现，发现低字符错误率并不总带来更优的高层级指标，且 LoRA 适配在测试范围内仍逊于全量微调。

该论文提出 MoPE-LoRA，一种基于音素类别（发音方式）而非口音身份组织低秩专家的参数高效适配框架，用于带口音的英语语音识别；在 L2-ARCTIC 上零样本口音评估中相对单 LoRA 提升 12.3%。

论文提出 LSA-PAST，一种面向组合式增量学习（composition-IL）的参数高效方法，通过在冻结的 ViT 中注入深度特化的 LoRA 适配器，并利用无需复习的仿射变换将旧原型映射到新的适配器空间，实现了在精度—遗忘权衡上的 state-of-the-art 表现。

SolarRenderer 将任意引擎的无纹理结构通道结合参考首帧，生成风格化完整视频，基于 MiniMax-H3 构建，通过控制 LoRA 与少步蒸馏 LoRA 实现实时逐帧结构一致的渲染，无需按游戏训练。

使用 Jev（基于 Qwen 3.8 27B 的 LoRA 决策模型）驱动的贪吃蛇游戏。 模型在每一步操作时，根据棋盘状态的文本描述进行决策，延迟约为 600ms，运行在 llama.cpp 环境中。

一个小型开放模型 `qwen3-4b-deslop`，是基于 `Qwen3-4B-Instruct` 微调而来的模型，在一台 MacBook Air 上训练完成，用于消除常见的 AI 写作惯用手法（如破折号、"不是 X，而是 Y"句式、三项并列列表等）。它将每千字的 AI 味评分从 121 降至 12.5，同时保持事实准确性，并可通过 Ollama 在本地运行。

一篇教育性帖子，详细拆解了5种大语言模型参数高效微调（PEFT）技术——LoRA、LoRA-FA、VeRA、Delta-LoRA和LoRA+，并配以可视化说明，展示每种技术如何通过低秩适配来降低显存和训练成本。

MOSS-Image Turbo LoRA（4 步）v2.0 已在 Hugging Face 上发布，现已原生支持 Euler 采样器，可在任意标准 LoRA 加载器中使用默认 flow-matching 采样器运行，无需 CFG 或自定义管线文件，即可实现快速、高保真的中英双语文字渲染。

Kromoss 是 MOSS-Image-Base 在 1024px 分辨率下的全量微调模型，附带两个 8 步加速 LoRA（DMD 与 DMD2 蒸馏版），并支持 diffusers 和 ComfyUI 即插即用，同时提供 int8 量化版本。

该论文提出使用参数高效微调（PEFT/低秩适配器）来适配超大多模态骨干网络进行脑编码，Brain LoRA 在 Algonauts 2025 挑战赛中取得最佳公开成绩，并通过 multi-LoRA kernel 支持 200+ 模型集成。

asmsense 是一个包含 228k 个去符号 x86-64 函数的数据集，带有源码感知标签，并配套一个 Qwen3-8B+LoRA 模型，用于对去符号二进制文件中的函数进行命名和描述；同时提供一份详细的缺失数据路线图，包括 ARM64/RISC-V 支持以及 GCC/ELF 构建等内容。

讨论使用 LoRA 适配器作为比 Heretic 等工具更便宜、更灵活的方案，从大语言模型中移除拒绝回答和内容审查，涉及 weightless 这个 GitHub 项目，以及类似的针对图像模型文本编码器的 LoRA。

一个拥有 6 亿参数的 d3-edge 模型，在数千个示例上通过 SFT + LoRA 进行微调后，在类型化决策任务上超越了拥有 270 亿参数的 d3 决策模型，并在 Banking77 上取得了几乎与之持平的表现，凸显了微调小型专用模型相较于使用大型通用模型的价值。

已在 Hugging Face 上发布 lodestones/MOSS-Image-SFT-8-steps-dmd，这是一个工作进展检查点，通过 data-space DMD 方法将 MOSS-Image-SFT（50 步、CFG 3）蒸馏为 8 步、无需 CFG 的版本，可作为 LoRA 在 ComfyUI 中使用。

本文表明，在设备端直接进行少样本 LoRA 个性化会降低五个意图分类基准上的范围外（OOS）拒识 AUROC，同时保持范围内准确率，并提出了一种无需训练的修正方法，通过基于马氏距离的拒识评分，在五个数据集中的三个上恢复了大部分损失的性能。

阿里巴巴 TaoLive AIGC 团队发布了 TaoMate-H3-FL2VA，据称是首个实时流式首尾帧控制的音频-视频生成（FL2VA）模型，基于 MiniMax H3 的三步 LoRA，支持低延迟分块生成与 480p/768p/1080p 分辨率。

AcrossVAM2.0 提出一种冲突感知的点对应监督方法，用于参数高效的视频扩散模型适配，通过置信度加权跟踪头、零初始化残差反馈和非对称 PCGrad，在保持预训练外观先验的同时提升对应一致性，但并不均匀改善视频质量。

提出「在前沿LLM上迭代开发行为，再蒸馏到小模型（SLM）上线」的两阶段方法：用LoRA微调的Qwen3-8B在家庭护理排班智能体的生产决策上达到0.913一致率，优于教师模型GPT-5.4-nano自身重跑时72.7%的自我一致性，且延迟降低约2.5倍、成本大幅下降。论文已被NeurIPS 2026第二届企业任务智能体基准与应用研讨会（AABA4ET）接收。