练完一遍了？ 用英文写下回答，粘贴到免费自查工具打分（工具按英文要点评分）
考察点
是否懂机制（冻结的基座加一个学出来的低秩更新）、为什么便宜、QLoRA 多了什么，以及实际选择：rank、alpha、目标模块、如何发现过拟合。
评分要点
- LoRA（低秩适配）：冻结基座权重，为选定矩阵学习低秩更新 W + BA，rank r 较小（常见 8 到 64）。
- 为什么便宜：可训练参数下降几个数量级，adapter 是小文件，多个 adapter 可共用一个基座模型。
- QLoRA：基座以 4-bit 冻结，在上面训练 LoRA adapter，单张 GPU 也能微调大模型。
- 实操：学习率、epoch、rank 和 alpha、目标模块（至少 attention 投影层）、batch size、序列长度；训练 loss 下降而验证 loss 持平或上升时提前停止，保留最佳 checkpoint。
常见扣分点
把 QLoRA（训练时基座为 4-bit 冻结）和为部署而做的模型量化混为一谈。
参考回答
LoRA 冻结基座权重，只为选定矩阵学习一个低秩更新：W + BA，其中 A 和 B 的 rank r 很小，常见 8 到 64。可训练参数下降几个数量级，adapter 是很小的文件，几个 adapter 可以共用一个基座模型。
QLoRA 把冻结的基座保持在 4-bit，在上面训练 LoRA adapter，这让大模型在单张 GPU 上微调成为可能。
最关键的超参数是学习率、epoch 数、rank r 和 alpha、哪些模块加 adapter、batch size 和序列长度。我至少在 attention 投影层上加 LoRA；再加上 MLP 层通常质量更好，但成本更高。如果训练 loss 下降而验证 loss 持平或上升，我会提前停止并保留最佳 checkpoint。
常见追问
LoRA 加在哪些层？ 至少加在 attention 投影层；再加 MLP 层通常能提升质量，代价是更高的成本。
中文手册想要完整的中文备考方法？
《如何从0到1准备AI Engineer面试》：20 章、5 套答题框架（FLAME、SPARK、FORGE、RISE、EMBER）、100 道题库和 8 周备考计划。
获取中文手册 优惠码 EARLYBF 立减 40%，截至太平洋时间 11 月 3 日 23:59更想读英文版？The 0→1 AI Engineer Interview Playbook，$19.99，Gumroad 英文版。也可以先免费领取 Top 30 题 PDF（英文）。