在深度学习领域，模型微调是一项常见而关键的任务。它涉及将预训练的模型调整到特定任务上，以提高其在该任务上的表现。然而，随着模型规模的不断扩大，传统的微调方法面临着计算成本高昂和效率低下的问题。为了解决这一挑战，研究者们提出了一种名为LoRA（Low Rank Adaptation）的方法，它通过在模型的权重矩阵中引入低秩矩阵（适配器）来实现高效的微调。然而，LoRA在处理宽度较大的模型时，由于适配器矩阵A和B使用相同的学习率更新，导致了效率的瓶颈。
为了克服这一限制，研究者们进一步发展了LoRA+算法。LoRA+的核心在于为适配器矩阵A和B设置不同的学习率，通过调整这两个矩阵的学习率比例，可以显著提高微调的效率和性能。具体来说，LoRA+将B的学习率设置为A的学习率的λ倍，其中λ是一个远大于1的固定比率。这种策略不仅保持了与LoRA相同的计算成本，还能在微调过程中实现1%-2%的性能提升和大约2倍的速度提升。
在实际应用中，LoRA+在多个语言模型和任务上进行了广泛的测试。这些模型包括GPT-2、RoBERTa以及Llama，它们在GLUE基准测试和flan-v2数据集上的表现均得到了显著提升。特别是在处理难度较高的任务，如MNLI和QQP时，LoRA+展现出了其优越性。此外，LoRA+在Llama模型的微调中也显示出了显著的性能提升，这表明LoRA+在处理大型模型时具有广泛的适用性。
为了支持LoRA+的理论基础，研究者们还提供了深入的分析。他们证明了在无限宽度网络的极限情况下，LoRA使用相同学习率的微调方法是次优的。LoRA+通过调整学习率比例，有效地纠正了这一问题，实现了更有效的特征学习。研究者们还给出了关于如何选择λ的具体指导，建议在实践中通常将λ设置为24，这在大多数情况下都能提高性能。
LoRA+的提出，为大型模型的微调提供了一种新的、更高效的解决方案。这种方法不仅提高了微调的效率，还有助于在保持计算成本不变的情况下，实现更好的微调性能。
