用途：当训练数据形态为示范数据（SFT）、且路由决策已确定采用 LoRA/QLoRA 时，本技能给出适配器配置的最佳实践配方，产出经过验证的配置参数（而非自由建议），供下游训练脚本直接使用。数据集准备与质量检查属于另一技能范畴。
主要能力：规定目标模块应覆盖全部线性层，包括注意力的 q_proj、k_proj、v_proj、o_proj 以及 MLP 的 gate_proj、up_proj、down_proj，其中 MLP 层影响最大，仅针对注意力是较旧且较弱的做法。alpha 采用 lora_alpha = 2 * r 的惯例，由秩推导而非独立调参。LoRA 学习率约为等效全量微调的 10 倍，QLoRA 常用起点 2e-4。秩按任务选择：RL（GRPO/RLVR）为 1–32，通用默认 16–32，大规模 SFT 可至约 256；更高秩并非自动更好，只有在低秩在留出评估中明显欠拟合时才上调。有效批大小保持在 32 以下。
使用方式：以 Unsloth 为参考实现，示例调用为 FastLanguageModel.get_peft_model，设置 r=32、target_modules、lora_alpha=64、lora_dropout=0、bias="none"、use_gradient_checkpointing="unsloth"、random_state=3407。其默认值均有理由：零 dropout 以保留融合内核加速，bias 不启用，使用 Unsloth 版梯度检查点节省约 30% 显存，优化器用 adamw_8bit，固定随机种子保证可复现。对于 messages 形态且 assistant_only_loss=True 的对话式 SFT，应回退到普通 TRL。
适用场景与限制：在示范数据上适配行为默认选 LoRA；基座在目标秩下无法以 bf16 容纳时选 QLoRA，其内存收益来自 NF4 量化冻结基座加 BF16 适配器。全量微调仅用于注入密集新领域知识，不是默认选项。注意在非 BF16 硬件上训练易出现 fp16 发散，可用 python -c "import torch; print(torch.cuda.is_bf16_supported())" 检查；小数据集上秩过高会过拟合；为省显存删除目标模块收益甚微却损害质量。在 DGX Spark 上 QLoRA 可能因反量化缓冲峰值而比等效 bf16 LoRA 更早 OOM，此时应先尝试 bf16 LoRA 而非继续缩减 QLoRA。更多细节见 references/hyperparameters.md 与 references/unsloth-trl-mapping.md。