隨著大模型在自然語言處理、計算機視覺以及多模態(tài)任務中的快速發(fā)展，全參數(shù)微調(diào)（Full Fine-tuning, FF）所帶來的顯存占用、訓練時間和存儲成本也越來越高。為了解決這一問題，參數(shù)高效微調(diào)（Parameter-Efficient Fine-Tuning, PEFT）逐漸成為主流路線：通過凍結(jié)大部分預訓練參數(shù)，僅更新少量可訓練參數(shù)，使模型能夠快速適配下游任務。

當前最常見的一類 PEFT 方法是基于矩陣低秩分解的方法，例如 LoRA 。其基本思想是將每一層的權(quán)重更新表示為一個低秩矩陣分解，從而用少量參數(shù)近似表示權(quán)重變化。這類方法結(jié)構(gòu)簡單、效果穩(wěn)定，在大模型微調(diào)中得到了廣泛應用。然而，當模型規(guī)模不斷增大、層數(shù)持續(xù)增加時，這類方法仍然存在一些局限：

• 每一層都需要獨立的低秩適配模塊，可訓練參數(shù)仍隨層數(shù)線性增長；
• 低秩分解只利用了單層內(nèi)部的矩陣結(jié)構(gòu)，難以顯式刻畫不同層之間的相關(guān)性。

為進一步提升參數(shù)效率，近期研究開始探索張量化 PEFT（Tensorized PEFT）。這類方法將同類型層（例如各注意力層的 Q/K/V 投影矩陣）沿層維度進行堆疊，從而形成一個高階張量結(jié)構(gòu)。相比逐層的矩陣低秩分解，這種表示方式能夠同時建模層內(nèi)結(jié)構(gòu)與跨層相關(guān)性，從而在理論上實現(xiàn)更緊湊的參數(shù)表示。

圖 1：左—DCT（離散余弦變換）域下的張量奇異值分布 ；右—基于 LSM-3（權(quán)重張量經(jīng) mode-3 展開后的左奇異矩陣）的奇異值分布?？梢杂^察到，大部分能量集中在少數(shù)主成分上。

盡管張量化 PEFT 在參數(shù)效率上具有明顯優(yōu)勢，但在實際工程實現(xiàn)中仍然存在一個關(guān)鍵問題：權(quán)重張量重建（weight tensor reconstruction）

許多張量分解方法在每次前向或反向傳播時，都需要將張量因子重新組合為完整的權(quán)重張量。這一過程會帶來額外的工程開銷：

• 額外計算開銷：重復的張量–矩陣乘法增加訓練時間
• 顯存占用增加：顯式構(gòu)造的大型權(quán)重張量會放大計算圖規(guī)模

因此，一個關(guān)鍵問題是：

能否在保持張量化 PEFT 參數(shù)高效性的同時，避免訓練過程中反復進行權(quán)重重建？

本文提出的 ReFTA（Reconstruction-Free Tensor Adaptation），正是一種針對這一問題設計的張量化 PEFT 方法。

• 論文標題：ReFTA: Breaking the Weight Reconstruction Bottleneck in Tensorized Parameter-Efficient Fine-Tuning
• 論文鏈接：https://zhouchenlin.github.io/Publications/2026-CVPR-ReFTA.pdf

ReFTA 的核心：互換 mode-1 與 mode-3 的乘積以避免顯式權(quán)重重建

ReFTA 的首要設計目標，是消除張量方法在訓練時反復重建權(quán)重張量所帶來的額外開銷。具體而言，ReFTA 將 mode-1 與 mode-3 的乘積順序?qū)φ{(diào)，把原本「先重建權(quán)重、再與輸入相乘」的計算過程，改寫為「先生成中間特征、再進行特征融合」。由此，在前向與反向傳播中就不再需要顯式構(gòu)造完整的大尺寸權(quán)重張量，也無需將其納入梯度圖。

更重要的是，這一改寫并不僅僅是實現(xiàn)層面的優(yōu)化，而是改變了訓練過程中的計算范式：模型不再圍繞大規(guī)模權(quán)重張量展開計算，而是轉(zhuǎn)向處理與 batch 規(guī)模相關(guān)的中間特征。對于張量化 PEFT 而言，這種從「權(quán)重空間」到「特征空間」的轉(zhuǎn)變，正是 ReFTA 區(qū)別于已有方法的關(guān)鍵所在。

張量化表示與主成分低秩適配

考慮將 Transformer 中同類型層的權(quán)重矩陣沿層維度堆疊：

在此基礎上，ReFTA 進一步使用張量主成分分析（Tensor PCA）得到一個主成分近似：

圖 2：NF4 量化誤差隨張量秩變化的趨勢，實證支持 ReFTA 在量化下更魯棒。

然后在變換域里，每個張量切片都可以寫成 LoRA 類似的低秩形式：

mode-1 與 mode-3 乘積交換

ReFTA 的實現(xiàn)要點在于以下兩步的順序交換：

交換后可等價地被改寫為：

整體示意如下：

圖 3：ReFTA 的結(jié)構(gòu)（基于切片的低秩適配器 + 特征融合）

這一步改寫帶來兩項直接收益：

表 1：ReFTA 與其兩種權(quán)重合并變體在前向與反向計算的時間復雜度對比。

除了工程實現(xiàn)上的優(yōu)勢，ReFTA 還給出了一個針對張量化低秩 PEFT 的泛化上界。核心結(jié)論可以概括為：

其中：

• R 是張量秩
• K 是堆疊的層數(shù) / 注意力頭數(shù)
• n 是輸出維度
• m 是樣本數(shù)

這意味著：

• 復雜度上界與張量秩 R 直接相關(guān)
• 讓「極小參數(shù)預算下仍能保持良好的泛化能力」更有可解釋性

理論與實證的呼應

• 在不同 backbone（ViT、RoBERTa、LLaMA-family）上，使用較小的 R 時 ReFTA 能在大幅減少可訓練參數(shù)的同時接近甚至超過主流 PEFT 的性能，從實證角度印證了低秩設置下的良好泛化能力；
• ReFTA 避免顯式權(quán)重重建的實現(xiàn)方式直接帶來了較小的訓練顯存占用，這對應著理論中對有效參數(shù)和計算復雜度的控制。

表 2：該表展示了在常見 ViT 基線上的方法對比，ReFTA 在較低參數(shù)預算下仍能超越 LoRA / PiSSA

表 3：該表展示了基于 RoBERTa 模型在 GLUE 六個數(shù)據(jù)集上的微調(diào)結(jié)果；其中全參數(shù)微調(diào)（FF）和參數(shù)量最小的方法分別以灰色和淺藍色高亮。整體上看，ReFTA 在較低參數(shù)預算下依然能夠保持有競爭力的性能，體現(xiàn)出較好的參數(shù)效率。

圖 4：左 — Car 數(shù)據(jù)集下不同可逆變換 U_0（DCT / LSM-3 等）對張量秩下性能的影響；右 — FGVC 數(shù)據(jù)集下相同對比。兩圖表明不同可逆變換選擇會影響低秩近似的實際效用。

總結(jié)與展望

ReFTA 所針對的問題十分明確：張量化 PEFT 雖然能夠減少可訓練參數(shù)，但訓練時反復進行權(quán)重重建會帶來額外的計算、顯存與實現(xiàn)成本。

ReFTA 的關(guān)鍵貢獻可以概括為四點：

從更宏觀的角度看，ReFTA 的最大貢獻不僅在于提供了一種更高效的 PEFT 方法，更在于其提出的核心思想：利用張量代數(shù)策略避免顯式張量權(quán)重重建。這一思想不僅能夠被應用于 PEFT 任務還有望應用于基于張量方法的模型壓縮與高效模型結(jié)構(gòu)設計等方向，從而為構(gòu)建更加輕量而高效的模型提供新的思路?？傮w而言，這一方向仍具有非常廣闊的拓展空間。

參考文獻：

[1] Edward Hu, Yelong Shen, and Phillip Wallis, Zeyuan Allen-Zhu, Yuanzhi Li, Shean Wang, Weizhu Chen. LoRA: Low-rank adaptation of large language models. In ICLR, 2022.

[2] Canyi Lu, Xi Peng, Yunchao Wei. Low-Rank Tensor Completion With a New Tensor Nuclear Norm Induced by Invertible Linear Transforms. In CVPR, 2019.

[3] Hao Kong, Canyi Lu, and Zhouchen Lin. Tensor Q-rank: newdata dependent definition of tensor rank. Machine Learning, 2019.

[4] Fanxu Meng, Zhaohui Wang, Muha Zhang. PiSSA: Principal singular values and singular vectors adaptation of large language models. In NeurIPS, 2024.