在参数高效微调（PEFT）领域，LoRA（Low-Rank Adaptation）的地位近乎垄断。Hugging Face Hub上20,834张提及单一PEFT技术的模型卡中，20,509张指向LoRA（98.4%）；外部站点10,000个检查点中95.0%是LoRA；GitHub上搜索`from peft import`代码片段的71.3%结果同样属于LoRA。这种压倒性采用率，让LoRA成为实际上的默认选择。然而，研究者逐步揭示了一个尴尬事实：许多宣称超越LoRA的论文，其对比设置存在系统性偏差——未对LoRA的学习率进行同等调优。当LoRA获得同等优化待遇后，性能差距往往消失或反转。

为了解决这一选型困惑，Hugging Face的PEFT团队构建了一套面向LLM的公平基准测试，在数学数据集（如GSM8K）上通过思维链推理微调，系统评估不同PEFT方法的有效性。初步结果显示，并非所有场景LoRA都是最优解。例如在图像生成任务中，Orthogonal Finetuning（OFT）展现出更优的保真度与概念组合能力，而LoRA在复杂构图或风格迁移上易丢失细节。更值得关注的是，Hugging Face的PEFT库通过统一API提供了40余种PEFT技术的实现，用户从LoRA切换到OFT或其他方法仅需更改一行配置文件，无需重构训练脚本。这种低迁移成本，使得实际选型从“信仰驱动”转向“实验驱动”。

这一基准测试的意义超越了单一技术排名。它暴露了当前PEFT评估中的普遍问题：新方法论文常选择有利基线（如低学习率、浅层注入）来放大差异，而LoRA的“惯性优势”则让开发者忽视其潜在天花板。HuggingFace的基准试图标准化对比协议——固定训练步数、学习率搜索空间、优化器与调度器，从而还原各技术的真实能力边界。不过需警惕，该基准目前仅覆盖数学推理任务和部分图像生成场景，在代码生成、多模态对齐或长文本理解等任务上的泛化性尚待验证。

实用建议：对于多数NLP任务，LoRA仍是低风险首选，尤其适合硬件资源受限或需要快速迭代的场景；但在图像生成、视频合成或需要保持高度结构一致性的任务上，应优先尝试OFT、KronA等方法。项目初期建议吸纳HuggingFace的基准方法论，在自身数据集上运行小规模预实验，通过网格搜索学习率与秩数等超参数，打破对单一技术的路径依赖。PEFT技术的“应许之地”并非单一赢家，而是面向任务特征的组合策略生态——谁先掌握系统化对比能力，谁就握住了微调效率的钥匙。