Hvad er en LoRA-fil?

En LoRA-fil gemmer indlærte adaptertensorer med lav rang, som ændrer udvalgte lag i en kompatibel basismodel. Den indeholder normalt ikke selve basen. I diffusionsmiljøer distribueres adapteren ofte som én .safetensors-fil; i PEFT-arbejdsgange ligger adaptervægtene normalt ved siden af en adapter_config.json.

Hvad vægtfilen faktisk indeholder

På et konceptuelt niveau indlærer LoRA par af matricer med lav rang til udvalgte moduler. En serialiseret adapter gemmer disse tensorværdier under navne, der fortæller loaderen, hvor opdateringerne hører til. Den kan også indeholde en lille mængde metadata, som beholderen understøtter.

Den behøver ikke at gentage alle frosne parametre fra basen. Det er lagerfordelen ved LoRA i AI, men også grunden til, at en downloadet adapter normalt ikke kan bruges alene.

Er hver .safetensors-fil en LoRA?

Nej. SafeTensors er en tensorbeholder, ikke en adaptertype. En .safetensors-fil kan indeholde et komplet checkpoint, en VAE, en embedding, en adapter eller andre tensorer. Tensornavnene, metadataene og loaderkonteksten fastslår, hvad den repræsenterer.

Omvendt behøver en LoRA ikke at bruge SafeTensors. Hugging Face PEFT kan som standard gemme adaptervægte som adapter_model.safetensors eller som en binær fil, når sikker serialisering er deaktiveret. Andre økosystemer bruger deres egne pakkekonventioner. Vurdér pakken, ikke en velkendt filtype.

De ledsagende filer kan være afgørende

En standardmappe til en PEFT-adapter indeholder vægtene og adapter_config.json. Konfigurationen registrerer PEFT-typen, målmodulerne og de parametre, der kræves for at rekonstruere adapterens adfærd; den kan også identificere basismodellens navn eller sti. Et modelkort kan indeholde licens, tilsigtet brug og evalueringskontekst.

my_adapter/
├── adapter_model.safetensors  # indlærte adaptertensorer
├── adapter_config.json        # hvordan og hvor de skal anvendes
└── README.md                  # proveniens, brug og vilkår

Diffusions-LoRAs deles ofte som én fil, fordi måløkosystemet har konventioner eller indlejrede metadata. Denne bekvemmelighed kan skjule manglende kontekst. Bevar den oprindelige side eller modelkortets URL, den præcise baseidentifikation, triggerord, anbefalet styrke, licens og kontrolsum, når de er vigtige.

Hvorfor den nøjagtige basismodel betyder noget

En adapter blev trænet mod en bestemt arkitektur og basetilstand. En loader kan straks afvise inkompatible tensornavne, men mere subtile uoverensstemmelser giver måske blot dårligt output. »SDXL LoRA« eller »Llama-adapter« er ikke altid præcist nok; brug det udgivne repositorium, revisionen eller den præcise lokale kontrolsum, når reproducerbarhed er vigtig.

En lokalt ændret base skaber en endnu stærkere afhængighed. Hvis ingen offentlig kilde kan reproducere den, efterlader en bevaret LoRA alene dig med en opdatering til vægte, som du ikke længere har.

Ændrer LoRA-styrken filen?

Normalt anvender runtimen en skala uden at omskrive den gemte adapter. Forskellige styrkeværdier i brugergrænsefladen giver derfor forskellig inferensadfærd ud fra de samme bytes. Sammenfletning af en adapter med en base er noget andet: Der beregnes afledte vægte, og et nyt komplet artefakt kan gemmes.

Registrér skalaen og rækkefølgen for sammenfletning, når de indgår i en produktionsopskrift. Hvis du har brug for det nøjagtige sammenflettede output, skal du bevare det separat; hvis du har brug for fleksibilitet, skal du bevare basen og de usammenflettede adaptere.

En kort tjekliste til inspektion

1. Identificér beholderen, og bekræft, at loaderen understøtter den.
2. Undersøg tensornavne og metadata med et vedligeholdt værktøj; kør ikke ukendt hjælpekode.
3. Registrér den præcise kompatible base og revision.
4. Bevar konfigurationen og konteksten fra modelkortet sammen med vægtene.
5. Beregn en hash af filen efter download og efter hver overførsel.
6. Afprøv den i den tilsigtede runtime, før familien arkiveres.

Behold afhængigheden, ikke kun adapteren

For en offentlig, uforanderlig base kan du beslutte, at en præcis identifikator er tilstrækkelig. For private, ændrede baser eller baser, der risikerer at forsvinde, skal du bevare den nøjagtige base sammen med adapteren. Sammenligningen mellem checkpoint og LoRA hjælper dig med at afgøre, hvilke artefakter der opfylder dit gendannelsesmål.

Tensor Archive grupperer udvalgte lokale tensorer til præcis, verificeret gendannelse. Programmet udleder ikke manglende triggerord, lover ikke kompatibilitet på tværs af arkitekturer og rekonstruerer ikke en base ud fra adaptervægte.

Sæt filen i et håndterbart bibliotek

Brug én base med mange adaptere til at organisere afhængigheder, og følg derefter vejledningen til LoRA-diskplads, før du sletter dubletter eller eksperimentelle varianter.