---
id: LLM-PARAM-EFF-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
tags: [ai, llm, peft, lora, parameter-efficiency, fine-tuning, optimization]
last_reinforced: 2026-04-26
---

# Parameter Efficiency in LLMs (LLM에서의 파라미터 효율성)

## 📌 한 줄 통찰 (The Karpathy Summary)
> "수천억 개의 파라미터를 전부 흔들지 말고, 핵심적인 '작은 레버'들만 조정하여 거대 지능을 내 목적에 맞게 길들여라" — 거대 언어 모델(LLM)을 전체 미세 조정(Full Fine-tuning)하는 대신, 극히 일부의 파라미터만 학습시켜 컴퓨팅 자원을 획기적으로 절약하면서도 높은 성능을 달성하는 기술(PEFT).

## 📖 구조화된 지식 (Synthesized Content)
- **추출된 패턴:** "Low-rank Adaptation and Additive Modules" — 모델의 기존 가중치는 고정(Freeze)해둔 채, 옆에 아주 작은 크기의 행렬을 덧붙이거나(LoRA) 입력 프롬프트 앞에 학습 가능한 벡터를 붙여(Prompt Tuning) 변화의 양만을 효율적으로 학습하는 패턴.
- **주요 기법:**
    - **LoRA (Low-Rank Adaptation):** 가중치 업데이트량을 저차원 행렬로 분해하여 학습 파라미터를 10,000배 이상 감소시킴.
    - **Adapter Tuning:** 모델의 층 사이에 작은 신경망(Adapter)을 삽입하여 학습.
    - **Prefix/Prompt Tuning:** 입력값에 특수한 임베딩을 추가하여 모델의 출력을 제어.
- **의의:** 고가의 GPU 클러스터 없이도 중소기업이나 개인이 자신의 데이터에 특화된 고성능 LLM을 구축할 수 있게 하여, AI의 실용적 커스터마이징 시대를 열었음.

## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- **과거 데이터와의 충돌:** 파라미터를 적게 학습시키면 성능이 떨어질 것이라는 우려와 달리, 특정 도메인 최적화에서는 오히려 전체 미세 조정보다 과적합이 적고 안정적인 성능을 내는 경우가 많다는 것이 입증됨.
- **정책 변화:** Antigravity 프로젝트는 에이전트의 특정 도메인(의료, 법률, 코딩 등) 전문성 강화 시, 전체 모델 재학습 대신 LoRA 기반의 파라미터 효율적 학습 방식을 표준으로 사용함.

## 🔗 지식 연결 (Graph)
- [[Low-Rank-Adaptation-LoRA|Low-Rank-Adaptation-LoRA]], Transfer-Learning-Foundations, [[Natural-Language-Processing-NLP|Natural-Language-Processing-NLP]], [[Hardware-Acceleration-for-AI|Hardware-Acceleration-for-AI]]
- **Raw Source:** 10_Wiki/Topics/AI/Parameter-Efficiency-in-LLMs.md