Qu'est-ce qu'un fichier LoRA ?

Un fichier LoRA stocke des tenseurs d'adaptateurs de rang faible appris qui modifient des couches sélectionnées d'un modèle de base compatible. Il ne contient généralement pas le modèle lui-même. Dans les communautés de diffusion, l'adaptateur est souvent distribué sous forme d'un fichier .safetensors ; dans les workflows PEFT, les poids de l'adaptateur se trouvent généralement à côté d'un adapter_config.json.

Ce que contient en réalité le fichier de poids

Au niveau conceptuel, LoRA apprend des matrices de faible rang pour des modules choisis. Un adaptateur sérialisé stocke ces valeurs tensorielles sous des noms qui indiquent au chargeur où se trouvent les mises à jour. Il peut également contenir un petit volume de métadonnées pris en charge par le conteneur.

Il n'est pas nécessaire de répéter chaque paramètre figé de la base. C'est l'avantage de stockage de LoRA en AI, mais aussi la raison pour laquelle un adaptateur téléchargé n'est normalement pas utilisable seul.

Est-ce qu'un fichier .safetensors est un LoRA ?

Non. SafeTensors est un conteneur de tenseurs, pas un type d'adaptateur. Un fichier .safetensors peut contenir un checkpoint complet, un VAE, un embedding, un adaptateur ou d'autres tenseurs. Les noms des tenseurs, les métadonnées et le contexte du chargeur déterminent ce qu'il représente.

Inversement, un LoRA n'a pas besoin d'utiliser SafeTensors. Hugging Face PEFT peut enregistrer les poids de l'adaptateur sous forme de adapter_model.safetensors par défaut ou sous forme d'un fichier binaire lorsqu'on désactive la sérialisation sécurisée. D'autres écosystèmes utilisent leurs propres conventions de packaging. Jugez le package, et non une extension familière.

Les fichiers complémentaires peuvent être essentiels

Un répertoire d'adaptateur PEFT standard comprend les poids et adapter_config.json. Cette configuration enregistre le type de PEFT, les modules ciblés et les paramètres nécessaires pour reconstruire le comportement de l'adaptateur ; elle peut également préciser le nom ou le chemin du modèle de base. Une fiche modèle peut indiquer la licence, l'utilisation prévue et le contexte d'évaluation.

my_adapter/
├── adapter_model.safetensors  # tenseurs d'adaptateur appris
├── adapter_config.json        # comment et où les appliquer
└── README.md                  # origine, utilisation et conditions

Les LoRAs de diffusion sont souvent partagés sous forme d'un seul fichier, car l'écosystème cible s'appuie sur des conventions ou des métadonnées intégrées. Cette commodité peut masquer un manque de contexte. Conservez l'URL de la page d'origine ou de la fiche modèle, l'identifiant exact de la base, les mots déclencheurs, l'intensité recommandée, la licence et la somme de contrôle lorsqu'ils sont pertinents.

Pourquoi le modèle de base exact compte

Un adaptateur a été entraîné pour une architecture et un modèle de base spécifiques. Un chargeur peut rejeter immédiatement les noms de tenseurs incompatibles, mais des incompatibilités plus subtiles peuvent simplement produire un résultat de qualité médiocre. « SDXL LoRA » ou « adaptateur Llama » n'est pas toujours un identifiant suffisamment précis ; utilisez le dépôt publié, la version ou le hachage exact local lorsque la reproductibilité est importante.

Une base modifiée localement crée une dépendance encore plus forte. Si aucune source publique ne peut la reproduire, garder uniquement le LoRA vous laisse une mise à jour des poids dont vous ne disposez plus.

La force de LoRA modifie-t-elle le fichier ?

En général, l'environnement d'exécution applique un facteur d'échelle sans réécrire l'adaptateur stocké. Différents niveaux d'intensité dans l'interface produisent donc des comportements d'inférence différents à partir des mêmes octets. Fusionner un adaptateur dans une base est une autre opération : elle calcule des poids dérivés et peut enregistrer un nouvel artefact complet.

Enregistrez l'échelle et l'ordre de combinaison lorsqu'elles font partie d'une recette de production. Si vous avez besoin de la sortie fusionnée exacte, conservez cette sortie séparément ; si vous avez besoin de flexibilité, conservez la base et les adaptateurs non fusionnés.

Une liste de vérification rapide

1. Identifiez le conteneur et vérifiez que le chargeur le supporte.
2. Vérifiez les noms de tenseurs et les métadonnées avec un outil maintenu ; n'exécutez pas de code auxiliaire inconnu.
3. Consignez précisément la base compatible et sa révision.
4. Conservez la configuration et le contexte du modèle à côté des poids.
5. Calculez le hachage du fichier après le téléchargement et après chaque transfert.
6. Testez-le dans l'environnement d'exécution prévu avant d'archiver la famille.

Gardez la dépendance, pas seulement l'adaptateur

Pour une base publique, immuable, vous pouvez décider qu'un identifiant précis est suffisant. Pour des bases privées, modifiées ou disparues, conservez la base exacte avec l'adaptateur. La comparaison checkpoint versus LoRA vous aide à décider quels artefacts répondent à votre objectif de récupération.

Tensor Archive groupe des tenseurs locaux sélectionnés pour une récupération exacte et vérifiée. Il n'infère pas les mots déclencheurs manquants, ne promet pas la compatibilité entre architectures ou ne reconstruit pas une base à partir des poids d'adaptateur.

Placez le fichier dans une bibliothèque utilisable

Utilisez une base avec de nombreux adaptateurs pour organiser les dépendances, puis suivez le guide sur l'espace disque LoRA avant de supprimer les doublons ou les variantes expérimentales.