---
id: PEFT-001
category: Dev
confidence_score: 1.0
tags: [ai, llm, [[Fine-tuning|Fine-tuning]], peft, [[Efficiency|Efficiency]]]
last_reinforced: 2026-04-26
---

# [[Parameter|Parameter]]-Efficient Fine-Tuning (PEFT, 효율적 미세 조정)

## 📌 한 줄 통찰 (The Karpathy Summary)
> "전체 가중치를 다 바꾸지 않고도 모델의 전문성을 극대화하라" — 거대 모델의 대부분 가중치는 고정한 채, 아주 적은 수의 추가 파라미터나 일부 레이어만 학습시켜 성능 효율과 비용을 동시에 잡는 튜닝 전략.

## 📖 구조화된 지식 (Synthesized Content)
- **추출된 패턴:** 모델의 핵심 지식(Pre-trained weights)은 보존하면서, 특정 태스크에 필요한 미세한 조정값만을 효율적으로 학습하여 배포하는 패턴.
- **주요 기법:**
    - **[[LoRA (Low-Rank Adaptation)|LoRA (Low-Rank Adaptation)]]:** 가중치 행렬의 변화량을 저순위 행렬곱으로 근사하여 학습.
    - **Prefix Tuning:** 입력 데이터 앞에 학습 가능한 가상 토큰(Prefix)을 추가하여 모델의 거동 제어.
    - **Adapter Modules:** 기존 레이어 사이에 아주 작은 신경망 층을 삽입하여 해당 부분만 학습.
    - **prompt Tuning:** 프롬프트 자체를 벡터 형태로 학습하여 최적의 지시어를 찾음.
- **장점:** 연산량 급감, 모델 저장 공간 절약(MB 단위), 여러 태스크에 대한 어댑터를 독립적으로 관리 가능.

## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- **과거 데이터와의 충돌:** 모든 파라미터를 다시 학습시키던 Full Fine-tuning에서, 자원 효율성이 강조되는 PEFT 중심으로 산업계 표준이 이동.
- **정책 변화:** Antigravity 프로젝트는 새로운 위키 도메인 학습 시 PEFT(특히 LoRA)를 기본 사양으로 채택하여 하드웨어 비용을 90% 이상 절감함.

## 🔗 지식 연결 (Graph)
- [[Low-Rank-Adaptation-LoRA|Low-Rank-Adaptation-LoRA]], [[Fine-tuning|Fine-Tuning]], [[LLM|LLM]], Transfer-Learning
- **Raw Source:** 10_Wiki/Topics/AI/Parameter-Efficient Fine-Tuning (PEFT).md