量子科技中心_量科网

大型语言模型（LLM）的快速发展虽已革新自然语言处理领域，但高效适配的挑战仍未解决。全参数微调虽能实现强劲性能，却伴随着难以承受的计算与内存开销。参数高效微调（PEFT）策略通过低秩适配（LoRA）、前缀调优和稀疏低秩适配（SoRA）等方法，在保持竞争力的准确度同时大幅减少可训练参数量。然而这些方法常面临跨任务扩展性、稳定性与泛化能力的局限。量子深度学习的最新进展通过量子启发式编码与参数化量子电路（PQC）带来了新机遇，其中量子振幅嵌入式适配（QAA）框架以极低开销实现了高表现力的模型更新。本文对传统PEFT方法与QAA进行了系统性综述与对比分析，揭示了收敛性、效率与表征能力间的权衡关系，为量子方法在未来LLM适配中的潜力提供了洞见。