一份基座，N 套人格：LoRA 热插拔的原理、接口与真实成本

如果你曾经为"想要三个不同风格/不同领域的模型"而准备下载三份模型文件，那这篇文章能帮你省下大量磁盘、显存和等待时间。

核心结论先给出：一份基座模型 + 若干个几十 MB 的 LoRA 适配器，可以在运行时自由切换甚至叠加，不重启、不重新导出、不复制大文件。 在生产环境里，这套做法已经有人把每月的 GPU 成本从约 2.4 万美元降到约 1200 美元。

一、LoRA 是什么：给大模型贴一张"专用贴纸"

微调（Fine-tuning）传统上指：拿一份预训练模型，用你自己的数据继续训练，得到一份完整的新模型文件。问题很明显——一个 8B 模型就是 16 GB，你想要三个风格，就要存三份 48 GB，跑起来还要三份显存。

LoRA（Low-Rank Adaptation，低秩适配）的做法完全不同。它发现了一个经验规律：模型从"通用"变成"某个专用领域"，权重需要改变的部分其实很少。于是它不动原来的权重，而是额外学两个很小的矩阵。

用数学写出来非常简单：

原始输出：  y = x · W
加上 LoRA： y = x · W  +  scale · x · A · B

其中 W 是原来那个巨大的权重矩阵（冻结、不动），而 A 和 B 是两个"瘦长"的小矩阵。它们的尺寸是刻意设计成很窄的——中间那个很窄的维度就是 rank（秩），通常取 16 到 64。

它为什么能这么小？举个例子：一个 8B 模型在 rank 16 下的可训练参数约 1500 万，而模型本身有 80 亿冻结参数——你只训练了不到 0.2% 的参数，最终产物就是几千万个数字，落到磁盘上大约 40 MB（rank 16）。