# Uma voz nova sem mexer em todos os pesos

> Adapters de baixo rank: treinar menos de 1% dos números e chegar na mesma velocidade.

PyTorch · 9 de novembro de 2026 · Pedro Cormann, Founder & Machine Learning Engineer · https://lero.studio/research/baixo-rank

Uma camada linear guarda uma matriz W de d × d números. No treino completo, todos eles mudam. Com um adapter de baixo rank, W fica congelada e só treinam duas matrizes finas, B (d × r) e A (r × d). O ajuste é o produto B·A, somado a W com o peso α/r. Com d = 4096 e r = 16, são 131 mil números treináveis em vez de 16,7 milhões: menos de 1%.

_(Interativo na página: https://lero.studio/research/baixo-rank)_

Isso deixa o treino barato e rápido, e cada voz vira um arquivo pequeno. Depois, B·A pode ser fundido em W, e a inferência fica tão rápida quanto a do modelo original.

_(Interativo na página: https://lero.studio/research/baixo-rank)_