OpenBMB/OmniLMM项目中LoRA微调时resampler模块冻结问题解析

在OpenBMB/OmniLMM项目的模型微调过程中，开发者发现了一个关于resampler模块在LoRA(低秩适应)微调时未被正确训练的技术问题。本文将从技术原理和解决方案两个维度深入分析这一问题。

问题本质

当使用LoRA方法对MiniCPM-V模型进行微调时，resampler模块默认既不属于LoRA适配模块，也没有被解冻进行全参数微调。这导致该模块在训练过程中参数保持不变，影响了模型微调的整体效果。

技术背景

LoRA是一种高效微调技术，通过在预训练模型的特定层旁添加低秩矩阵来减少训练参数量。传统实现中，通常只对注意力机制相关参数进行LoRA适配，而其他模块如resampler需要单独处理。

解决方案演进

项目组先后提出了两种技术方案：

1. 初始方案：在LoraConfig中添加modules_to_save参数，显式指定resampler模块需要保存和更新

2. 优化方案：通过直接修改模型参数的requires_grad属性，在应用LoRA后显式解冻resampler模块：

model.base_model.resampler.requires_grad_(True)

实现细节

最新实现中包含了多项改进：

• 明确禁止同时调整LLM参数和应用LoRA的冲突操作
• 对语言模型参数统一冻结处理
• 支持Q-LoRA(量化LoRA)的梯度检查点配置
• 确保输入嵌入层接口的兼容性

技术意义

这一改进确保了：

1. 语言模型部分保持高效的LoRA微调
2. resampler模块能够充分参与训练
3. 整体微调过程更加完整和有效

该问题的解决体现了OpenBMB团队对模型微调细节的深入把控，为社区提供了有价值的参考实现。