搜尋意圖： 如果你在找「低秩適配 是什麼」或「低秩適配 和相近概念差在哪」，先看這頁的短定義、完整說明與延伸比較。
TL;DR： LoRA是一種參數高效的微調技術，透過學習低秩矩陣來適應預訓練模型，大幅減少訓練參數，降低計算成本。
實用情境： 適合用在閱讀 AI 文章、產品文件或和同事討論時，先用一頁快速對齊概念。
下一步： 先讀完定義，再往下看延伸比較與對應工具，把概念轉成實際應用。
你有沒有想過，大模型微調不一定要把整個模型都重新訓練？ 你可以把 LoRA 想成，只加幾片小零件，就能讓模型學新任務。 它其實就是一種低參數量的微調方法。 在算力和記憶體有限時，它常是最划算的選擇。
你可以把它想成一個把抽象概念拉回日常判斷的提示，先知道它解決什麼問題，再看技術細節。
容易混淆
LoRA vs 全量微調 全量微調會更新整個模型，LoRA 只訓練少量新增矩陣。 一個大翻修，一個小改裝。
LoRA vs 適配器模組 兩者都想少量參數調模型，但插入位置和運算方式不完全一樣。 目標相似，做法不同。
最關鍵的區別： LoRA 不是重訓整個模型，而是用少量可訓練參數做適配。
記住這句就好
少量參數，也能把大模型調到位。
實際案例
客服口吻調整 公司想讓聊天機器人改成品牌口吻，LoRA 可以比全量微調省很多資源。
領域知識補強 醫療或法律場景的資料量不大時，LoRA 常被拿來快速做專屬適配。
算法與應用
它把權重更新拆成低秩矩陣，凍結原始模型，只訓練新增的那部分。 這樣做能省顯存、縮短訓練時間，也方便同一底座掛多個任務版本。 在大模型微調、部署和實驗迭代裡都很常見。
情境判斷
Q1（直覺題）： 你要用較少資源把大模型調成客服風格，優先想什麼方法？
Q2（判斷題）： LoRA 一定比全量微調效果差嗎？
常見問題
LoRA 為什麼省資源？
因為它不動整個模型，只訓練少量低秩參數。
LoRA 能和量化一起用嗎？
可以，很多實務流程會把兩者搭在一起，進一步省硬體。
LoRA 適合什麼人？
適合想做大模型微調，但算力和預算都有限的團隊。