近日，来自上海交通大学和哈佛大学的研究团队推出了一种全新的模型微调方法 ——LoRA-Dash。这个新方法声称比现有的 LoRA 方法更加高效，特别是在特定任务的微调中，它可以在参数量减少8到16倍的情况下，依然达到相同的效果。这无疑是对那些需要大量计算资源的微调任务的一次重大突破。在大规模语言模型快速发展的背景下，微调特定任务的需求日益增长。然而，微调往往需要消耗大量的计算资源。为了解决这一问题，研究团队引入了参数高效微调（PEFT）策略，LoRA 就是一个典型的例

["华为高级副总裁、运营商BG总裁李鹏在全球移动宽带论坛上表示，大模型为代表的AI应用发展带来对智能算力的爆发式需求。","李鹏认为，数字经济时代，5G引领互联网通用技术的突破，重构了数智经济的新范式，各种创新正在加速到来。","数智经济未来发展的五大趋势已愈发清晰，到2025年，智能算力需求将达到当前的100倍。","为了充分释放这些算力潜能，需要更先进的网络能力，需要更大的带宽、更低的时延、才能更好的「联接智能」，同时网络需要「内生智能」，持续提升自动化、智能化水平。","5G已经走在商业成功的正确道路上，而5G-A是5G发展的自然选择。"]

["1. 千亿参数大模型需要266台8卡A100服务器,单卡计算效率44%。","2. 欲提高大模型性能,需要优化框架、IO、通信等方面。","3. 与GPT-4相比,国内大模型在算力、算法、数据上存在差距。"]