PEFT项目中modules_to_save参数在Diffusers模型中的适配问题解析

在PEFT（Parameter-Efficient Fine-Tuning）项目的最新版本中，开发者在为Diffusers模型添加LoRA适配器时发现了一个值得关注的技术问题。当使用modules_to_save参数指定需要保存的模块时，这些模块的参数会被意外冻结，导致训练过程中无法更新。

问题背景

PEFT库提供了一种高效的微调方法，特别是通过LoRA（Low-Rank Adaptation）技术，可以在保持预训练模型大部分参数不变的情况下，仅训练少量新增的参数。其中modules_to_save参数的设计初衷是允许开发者指定某些模块保持完全可训练状态，而不是仅通过低秩适配器进行微调。

问题现象

在使用Diffusers库中的CogVideoXTransformer3DModel模型时，开发者发现即使明确将"proj_out"模块列在modules_to_save中，该模块的所有参数（包括权重和偏置）在添加适配器后都会被设置为不可训练状态（requires_grad=False）。这与预期行为相悖，因为按照设计，这些参数应该保持可训练状态。

技术分析

深入分析问题根源，我们发现这是由于Diffusers模型架构的特殊性导致的。在标准实现中，PEFT会为modules_to_save中指定的模块创建特殊的适配层，但这些适配层在Diffusers模型中没有被正确初始化为可训练状态。

具体表现为：

1. 模块的原始参数（original_module）被冻结
2. 新增的适配层参数（modules_to_save）也被错误地初始化为不可训练状态

解决方案

PEFT团队已经通过提交修复了这个问题。在最新版本中：

1. 对于modules_to_save指定的模块，其适配层会被正确初始化为可训练状态
2. 开发者不再需要手动设置参数的requires_grad属性

对于暂时无法升级的用户，可以采用临时解决方案：

transformer.proj_out.modules_to_save["default"].requires_grad_(True)

最佳实践建议

在使用PEFT进行模型微调时，特别是与Diffusers等特殊架构结合时，建议：

1. 始终检查关键模块的训练状态
2. 对于新版本引入的功能，先在小规模测试验证预期行为
3. 关注官方更新日志，及时获取问题修复

这个问题展示了深度学习框架间交互时可能出现的微妙兼容性问题，也体现了开源社区快速响应和修复的价值。开发者在使用高级微调技术时，应当对底层机制有足够了解，以便快速定位和解决类似问题。