Ортогональная тонкая настройка (OFT): вращайте, а не переписывайте свой ИИ

Обучение модели новым навыкам без забвения старых — вот дилемма тонкой настройки. В этом видео разбирается ортогональная тонкая настройка (OFT) — метод, основанный на вращении, который сохраняет основные знания модели (её «углы»), адаптируя её к новым задачам.

Мы расскажем, почему углы (направление) несут больше семантического значения, чем величина, как гиперсферическая энергия отражает структуру модели и почему мультипликативное вращение превосходит аддитивные обновления, такие как LoRA, в плане сохранения идентичности, управляемой генерации и стабильности.

Что вы узнаете

Взаимосвязь «угол и величина» (почему семантика существует в направлениях)

Как OFT вращает веса, сохраняя знания

Сравнение с LoRA/ControlNet и проблема коллапса модели

Практические преимущества: точность, стабильность и эффективность данных

Главы
00:00 Введение: Почему тонкая настройка нарушает работу моделей
01:06 Угол и величина: важное понимание
03:05 Объяснение гиперсферической энергии
04:28 OFT против аддитивных методов (LoRA)
06:10 Результаты: точность идентичности и управления
07:45 Эффективность и стабильность данных
09:05 Выводы и ротация мульти-навыков