Vad är en LoRA-fil?

En LoRA-fil sparar inlärda tensorer av låg rang som ändrar valda lager i en kompatibel basmodell. Den innehåller vanligtvis inte basmodellen själv. Inom diffusionssamhällen ges adaptern ofta ut som en .safetensors-fil; i PEFT-arbetsflöden finns ofta adaptervikter bredvid en adapter_config.json.

Vad viktfil faktiskt innehåller

På konceptuellt plan lär sig LoRA par av lågdimensionella matriser för valda moduler. En serialiserad adapter sparar dessa tensorvärden under namn som berättar för laddaren var uppdateringarna hör hemma. Den kan också innehålla en liten mängd metadata som stöds av containern.

Det behöver inte upprepa varje fastlåst parameter från basen. Detta är fördelen med LoRA i AI, men det är också anledningen till att en nedladdad anpassning vanligtvis inte kan användas ensam.

Är varje .safetensors-fil en LoRA?

Ingen. SafeTensors är en tensorbehållare , inte en anpassningstyp. En .safetensors-fil kan innehålla en hel kontrollpunkt, en VAE, en inbäddning, en anpassning eller andra tensorer. Tensornamn, metadata och laddningskontext fastställer vad den representerar.

Tvärtom behöver en LoRA inte använda SafeTensors. Hugging Face PEFT kan spara anpassningsvärden som adapter_model.safetensors som standard eller som binärfil när säker serialisering är inaktiverad. Andra ekosystem använder egna paketeringskonventioner. Döma paketet, inte en bekant filändelse.

De kompisfiler kan vara nödvändiga

En standard PEFT-katalog innehåller vikter och adapter_config.json. Den konfigurationen sparar typen av PEFT, målmoduler och parametrar som behövs för att återställa adapterns beteende; den kan också identifiera basmodellens namn eller sökväg. En modellkort kan innehålla licens, avsikt och utvärderingsmiljö.

my_adapter/
├── adapter_model.safetensors  # lärda adaptertensorer
├── adapter_config.json        # var och hur de ska tillämpas
└── README.md                  # provenans, användning och villkor

Diffusion LoRAs delas ofta som en ensam fil eftersom mål-ekosystemet har konventioner eller inbäddad metadata. Den här bekvämligheten kan dölja bristande kontext. Håll kvar den ursprungliga sidan eller modellkortets URL, exakta basidentifierare, utlösarord, rekommenderad styrka, licens och kontrollsumma när det är viktigt.

Varför den exakta basmodellen är viktig

En adapter har tränats mot en viss arkitektur och basstatus. En laddare kan förkasta okompatibla tensornamn direkt, men mer subtila okompatibiliteter kan bara orsaka dålig utgång. "SDXL LoRA" eller "Llama-adapter" är inte alltid en noggrann identifierare; använd den publicerade databasen, revisionen eller den exakta lokala checksummen när återupptaglighet är viktigt.

En lokalt modifierad bas skapar en ännu starkare beroende. Om det inte finns något offentligt källhåll som kan återupptäcka det, att endast hålla kvar LoRA lämnar dig med en uppdatering av vikter du inte längre har.

Är LoRA-styrkan en faktor som påverkar filen?

Vanligtvis tillämpar körningstiden en skala utan att skriva om den lagrade adaptern. Olika värden för användargränssnittets styrka skapar därför olika inferensbeteenden från samma byte-filer. Att foga ihop en adapter med en bas är annorlunda: den beräknar härledda vikter och kan spara en ny hel artefakt.

Registrera skalan och kombinationsordningen när de ingår i en produktionsrecept. Om du behöver den exakta sammansmälta utdatan, spara den separat; om du behöver flexibilitet, spara basen och de inte sammansmälta tilläggen.

En snabb kontrolllista

1. Identifiera behållaren och bekräfta att laddaren stödjer den.
2. Granska tensornamn och metadata med ett underhållen verktyg; kör inte okänd hjälparens kod.
3. Registrera den exakta kompatibla basen och revisionen.
4. Håll konfiguration och modellkortets sammanhang vid sidan av vikterna.
5. Hasha filen efter nedladdning och efter någon överföring.
6. Testa det i den avsedda körningsmiljön innan du arkiverar familjen.

Håll kvar beroendet, inte bara anpassningen

För en offentlig, oföränderlig bas kan du finna att en exakt identifierare är tillräcklig. För privata, ändrade eller försvinnande baser, behåll den exakta basen tillsammans med adaptern. kontrollpunkt jämförelse med LoRA hjälper att avgöra vilka artefakter som svarar på ditt återställningsmål.

Tensor Archive grupperar valda lokala tensorer för exakt och verifierad återställning. Det inför inte saknade uttryck, lovar kompatibilitet mellan arkitekturer eller återskapar en bas från adaptervikter.

Lägg filen i ett hanterbart biblioteksalternativ

Använd en bas med många anpassningar för att organisera beroenden, följ sedan LoRA-skivutrymmesguide innan du raderar dubbletter eller experimentella versioner.