ICLR 2025

• 尽管 LoRA 有诸多优势，但近期研究表明，它在大规模训练数据集和复杂任务（如数学推理和代码生成）中，仍然落后于全参数微调（FFT）
  • 一个合理的解释是：低秩约束限制了 LoRA 的表达能力
  • Biderman 等（2024）实证发现，FFT 所需的有效秩比典型的 LoRA 配置高出 10 到 100 倍
  • Zeng 与 Lee（2024）则从理论上证明：Transformer 网络若要逼近一个同规模的模型，其所需秩至少为模型维度的一半
• 尽管可训练参数数量受限，导致表达能力受限，但近期研究仍然指出 LoRA 参数中存在冗余性
• ——>基于以上两点观察，论文提出了 Rank-Sharing Low-Rank Adaptation（RaSA），一种通过在层间部分共享秩来提升 LoRA 表达能力的方法