---
title: "O que é LoRA? Adaptação de baixo posto no fine-tuning"
description: "O LoRA faz fine-tuning de um LLM treinando duas pequenas matrizes de baixo posto ao lado dos pesos congelados. Como funciona, a conta dos parâmetros e a latência."
url: https://broadrouter.com/pt/glossary/lora/
lang: pt-BR
updated: 2026-11-14
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Traduzido do inglês com ajuda de IA. [Leia o original em inglês](https://broadrouter.com/glossary/lora/) (atualizado em 2026-11-14).

# LoRA (low-rank adaptation)

Atualizado em 2026-11-14

LoRA (low-rank adaptation, adaptação de baixo posto) é um método de fine-tuning eficiente em parâmetros que congela os pesos de um modelo pré-treinado e treina um par de pequenas matrizes de baixo posto para camadas escolhidas. A atualização aprendida pode ser guardada como um pequeno adapter ou mesclada aos pesos, sem adicionar latência na inferência.

Também chamado de: LoRA, adaptação de baixo posto, fine-tuning com LoRA, adapter LoRA, treinamento LoRA, low-rank adaptation, LoRA adapter, LoRA fine-tuning

O LoRA tornou viável o fine-tuning de modelos grandes em hardware comum, treinando uma pequena correção em vez do modelo inteiro.

## Como funciona

Hu e colegas observaram que a mudança que o fine-tuning faz em uma matriz de pesos tende a ter posto baixo. Então o LoRA mantém congelada a matriz original W₀ e aprende a mudança como o produto de duas matrizes finas:

W = W₀ + BA, em que B é d × r, A é r × k, e r é muito menor que d ou k.

B começa em zero, então o treinamento parte do modelo inalterado. O artigo aplicou o LoRA principalmente às projeções de query e value da atenção.

A economia de parâmetros é fácil de calcular. Para uma matriz de 4.096 × 4.096:

|  | Parâmetros |
| --- | --- |
| Atualização completa | 4.096 × 4.096 = 16.777.216 |
| LoRA, r = 8 | 8 × (4.096 + 4.096) = 65.536 |

Isso é cerca de 0,4% do total. No GPT-3 175B, o artigo relata 10.000 vezes menos parâmetros treináveis, um corte de 3× na memória de GPU e checkpoints que caem de cerca de 350 GB para cerca de 35 MB.

## Por que importa

-   **Treinamento mais barato.** Menos pesos treináveis significa menos memória para o estado do otimizador. Combinado com a [quantização](https://broadrouter.com/pt/glossary/quantization/) da base congelada, permite que modelos maiores caibam em GPUs menores.
-   **Sem latência extra.** O guia PEFT da Hugging Face observa que os adapters podem ser mesclados com `merge_and_unload()`, então servir o modelo custa o mesmo que o modelo base.
-   **Muitas tarefas, uma base.** Como a base fica congelada, você pode manter uma única cópia de um [modelo open-weight](https://broadrouter.com/pt/glossary/open-weight-model/) e trocar pequenos adapters por cliente ou por tarefa.
-   **Limites.** O LoRA muda bem o comportamento e o estilo. Mas continua sendo [fine-tuning](https://broadrouter.com/pt/glossary/fine-tuning/), então precisa de bons dados e de uma eval.

## Na BroadNet Inference

A [referência da API](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=pt-glossary-lora&utm_content=body#models) da BroadNet não documenta LoRA, envio de adapters nem seleção de adapter por requisição. Você chama IDs de modelo fixos, como `broadnet/qwen3.8-27b`. Endpoints privados e os fine-tunes em árabe da BroadNet estão disponíveis sob consulta, mas a documentação não diz como foram treinados. Se você pretende treinar adapters por conta própria, compare isso com os preços de API usando o post sobre [self-hosting vs. API](https://broadrouter.com/pt/blog/self-hosting-llm-vs-api-cost/), e se usar os dois, um router como o [LiteLLM](https://broadrouter.com/pt/guides/litellm-proxy-custom-provider/) pode mandar o tráfego para qualquer um deles.

## Perguntas frequentes

### O que significa o posto r no LoRA?

É a dimensão interna das duas pequenas matrizes. Um posto menor significa menos parâmetros treináveis e um adapter menor. O artigo do LoRA relata que postos de apenas 1 ou 2 funcionaram bem no GPT-3 175B.

### O LoRA é tão bom quanto o fine-tuning completo?

O artigo do LoRA relata qualidade "on-par or better than fine-tuning" (tradução: igual ou melhor que o fine-tuning) em RoBERTa, DeBERTa, GPT-2 e GPT-3, com muito menos parâmetros treináveis. Teste na sua própria tarefa.

### Posso enviar um adapter LoRA para a BroadNet Inference?

A documentação da BroadNet não descreve envio de adapters. Endpoints privados e fine-tunes feitos pela própria BroadNet são oferecidos sob consulta.

## Veja também

-   [Fine-tuning (ajuste fino de LLM)](https://broadrouter.com/pt/glossary/fine-tuning/) (termo)
-   [Quantização (quantization)](https://broadrouter.com/pt/glossary/quantization/) (termo)
-   [Modelo de pesos abertos (open-weight)](https://broadrouter.com/pt/glossary/open-weight-model/) (termo)
-   [Destilação (knowledge distillation)](https://broadrouter.com/pt/glossary/distillation/) (termo)
-   [Como rotear o LiteLLM para a BroadNet Inference (SDK e proxy)](https://broadrouter.com/pt/guides/litellm-proxy-custom-provider/) (guia)
-   [Hospedar um LLM próprio ou usar API: custo real e ponto de equilíbrio](https://broadrouter.com/pt/blog/self-hosting-llm-vs-api-cost/) (artigo)
-   [IA open-weight vs fechada na empresa: custo, controle e risco](https://broadrouter.com/pt/blog/open-weight-vs-closed-models/) (artigo)

Teste com a sua carga de trabalho real. Contas novas começam com US$ 5 de crédito para Gemma e transcrição. DeepSeek, GLM e Qwen3.8 exigem uma recarga.

[Começar](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=pt-glossary-lora&utm_content=page-cta) ·

**Fontes**

-   [Hu et al. (2021), LoRA - Low-Rank Adaptation of Large Language Models](https://arxiv.org/abs/2106.09685)
-   [Hugging Face PEFT, guia conceitual de LoRA](https://huggingface.co/docs/peft/main/en/conceptual_guides/lora)
-   [Referência da API da BroadNet Inference, IDs dos modelos (em inglês)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=pt-glossary-lora&utm_content=sources#models)
