Что такое файл LoRA?

Файл LoRA хранит обученные тензоры низкорангового адаптера, изменяющие выбранные слои совместимой базовой модели. Обычно он не содержит саму базу. В сообществах диффузии адаптер часто распространяется одним файлом .safetensors; в процессах PEFT веса адаптера обычно находятся рядом с adapter_config.json.

Что действительно содержит файл весов

На концептуальном уровне LoRA обучает парные низкоранговые матрицы выбранных модулей. Сериализованный адаптер сохраняет их значения под именами, сообщающими загрузчику место обновлений. Он также может содержать немного поддерживаемых контейнером метаданных.

Ему не нужно повторять каждый замороженный параметр базы. В этом преимущество хранения LoRA в AI, но поэтому загруженный адаптер обычно не работает самостоятельно.

Каждый ли файл .safetensors является LoRA?

Нет. SafeTensors — контейнер тензоров, а не тип адаптера. Файл .safetensors может содержать полный чекпойнт, VAE, эмбеддинг, адаптер или другие тензоры. Представление устанавливают имена тензоров, метаданные и контекст загрузчика.

И наоборот, LoRA необязательно использует SafeTensors. Hugging Face PEFT по умолчанию может сохранять веса адаптера как adapter_model.safetensors или как двоичный файл при отключении безопасной сериализации. Другие экосистемы имеют свои соглашения упаковки. Оценивайте пакет, а не знакомое расширение.

Сопутствующие файлы могут быть обязательными

Стандартный каталог адаптера PEFT содержит веса и adapter_config.json. Эта конфигурация записывает тип PEFT, целевые модули и параметры для воссоздания поведения адаптера; она также может указывать имя или путь базовой модели. Карточка модели может содержать лицензию, назначение и контекст оценки.

my_adapter/
├── adapter_model.safetensors  # обученные тензоры адаптера
├── adapter_config.json        # как и где их применять
└── README.md                  # происхождение, использование и условия

Диффузионные LoRAs часто распространяются одним файлом благодаря соглашениям или встроенным метаданным целевой экосистемы. Удобство может скрывать отсутствующий контекст. Сохраняйте URL исходной страницы или карточки модели, точный идентификатор базы, триггерные слова, рекомендуемую силу, лицензию и контрольную сумму, когда они важны.

Почему важна точная базовая модель

Адаптер обучен для конкретной архитектуры и состояния базы. Загрузчик может сразу отклонить несовместимые имена тензоров, но более тонкая несовместимость способна лишь ухудшить результат. «SDXL LoRA» или «адаптер Llama» не всегда достаточно точный идентификатор; для воспроизводимости используйте опубликованный репозиторий, ревизию или точную локальную контрольную сумму.

Локально изменённая база создаёт ещё более сильную зависимость. Если её невозможно воспроизвести из общедоступного источника, сохранение одной LoRA оставит вам обновление весов, которых больше нет.

Меняет ли сила LoRA файл?

Обычно среда применяет коэффициент масштаба, не переписывая сохранённый адаптер. Поэтому разные значения интенсивности в интерфейсе меняют поведение инференса при тех же байтах. Объединение адаптера с базой отличается: оно вычисляет производные веса и может сохранить новый полный артефакт.

Запишите масштаб и порядок объединения, если они входят в рабочий рецепт. Если нужен точный объединённый результат, храните его отдельно; если нужна гибкость, храните базу и необъединённые адаптеры.

Краткий контрольный список проверки

1. Определите контейнер и подтвердите его поддержку загрузчиком.
2. Проверяйте имена тензоров и метаданные поддерживаемым инструментом; не выполняйте неизвестный вспомогательный код.
3. Запишите точную совместимую базу и ревизию.
4. Храните конфигурацию и контекст карточки модели рядом с весами.
5. Рассчитайте хеш файла после загрузки и каждой передачи.
6. Протестируйте его в предполагаемой среде до архивирования семейства.

Сохраняйте зависимость, а не только адаптер

Для общедоступной неизменяемой базы точного идентификатора может быть достаточно. Для частной, изменённой или исчезающей базы храните точную базу с адаптером. Сравнение чекпойнта и LoRA помогает выбрать артефакты для цели восстановления.

Tensor Archive группирует выбранные локальные тензоры для точного проверенного восстановления. Он не выводит отсутствующие триггерные слова, не обещает совместимость архитектур и не реконструирует базу из весов адаптера.

Поместите файл в управляемую библиотеку

Используйте руководство об одной базе с несколькими адаптерами для организации зависимостей, затем следуйте руководству по месту LoRA до удаления дубликатов или экспериментальных вариантов.