QLoRA（Quantized Low-Rank Adapters）是一种高效的微调技术，用于在消费级硬件（如单张GPU）上微调大语言模型（LLM）。它的核心思想是通过量化（Quantization）和低秩适配器（Low-Rank Adapters）来减少内存占用，同时保持模型的性能。
QLoRA 的关键技术
4-bit 量化：使用4-bit NormalFloat (NF4) 量化方法，使得模型占用的显存大幅减少。
低秩适配器（LoRA）：在原始模型的参数上引入小规模的低秩适配器，只微调这些参数，而不改变原始模型的权重。
Paged Optimizers：通过优化内存分页管理，进一步降低显存使用。
QLoRA 的优势
降低显存需求：可以在单张消费级 GPU（如 RTX 3090 或 A100 80GB）上微调高达65B参数的模型。
性能接近全参数微调：尽管减少了训练的参数量，但实验表明，QLoRA 仍能保持高质量的微调效果。
适用于大语言模型（LLM）：适用于像 LLaMA、GPT 等大型预训练模型的个性化微调。
适用场景
个人或中小企业在有限计算资源下微调大模型
垂直行业（如医疗、法律、金融）微调大模型以适配特定任务
本地化大模型，如适配不同语言或特定领域数据
LoRA与QLoRA的区别
LoRA（Low-Rank Adaptation）和 QLoRA（Quantized Low-Rank Adaptation）都是用于高效微调大型语言模型（LLM）的技术，但它们有以下主要区别：
1. 基础概念
LoRA：通过在神经网络的权重矩阵上添加低秩适配（Low-Rank Adaptation）矩阵，减少微调时的参数更新量，同时保持原始模型权重不变。这降低了存储和计算成本。
QLoRA：在 LoRA 的基础上引入了量化（Quantization）技术，即用更低精度（如 4-bit）存储模型权重，从而大幅降低显存占用，使得更大的模型可以在消费级 GPU 上进行微调。
2. 显存占用
LoRA：仍然需要加载全精度（如 FP16）的基础模型，显存占用较高。
QLoRA：使用 4-bit 量化存储模型权重，极大减少显存需求，使得 65B（650亿参数）级别的模型可以在 48GB 显存的 GPU 上进行微调。
3. 计算资源
LoRA：减少了训练时需要更新的参数，但仍需较高的计算资源，特别是对大模型来说。
QLoRA：通过量化减少了计算资源需求，使得较低端的硬件也能参与大模型微调。
4. 适用场景
LoRA：适用于有一定计算资源、希望高效微调模型但不希望量化影响模型性能的场景。
QLoRA：适用于计算资源有限、需要在消费级 GPU 上微调大模型的场景。
5. 性能与精度
LoRA：由于保持了高精度权重，微调后精度通常较高。
QLoRA：虽然使用了量化技术，但配合适当的量化方案（如 NF4 量化格式），可以在较低显存占用的情况下保持接近 LoRA 的微调效果。
QLoRA 与LoRA对比总结
如果你的设备显存较少，可以优先选择 QLoRA，这样能在更低成本的硬件上完成大模型的微调。
QLoRA微调实战
关键参数说明
量化等级（启用量化QLoRA） ：8位
加速方式：flashattn2,或者auto
LoRA秩 32--128之间，比如 64 （推荐）,
LoRA缩放系数是 lora秩的2倍，比如 128（推荐）。
截断长度：根据训练的数据的每条记录的长度，选择一个能够覆盖大部分记录的长度。
训练轮数：一般大于300；
模型越小，LoRA秩和LoRA缩放系数越大一些。量化等级越小，LoRA秩和LoRA缩放系数越大一些。
