随着大型语言模型（LLM）作为持续演进的服务被广泛部署，基座模型的频繁更新常常导致先前部署的任务特定低秩适配器（LoRA）失效。对于管理大量下游模型服务的提供商而言，为每个更新的基座模型从头重新训练每个LoRA适配器在计算上代价高昂，并且会延迟服务上线。与此同时，一种更简单的替代方案——直接将原始LoRA适配器应用于更新后的基座模型——往往因适配器与骨干网络不兼容而导致服务质量下降。
为了解决这一问题，Yang Xu等六位作者提出了一种名为ReLoRA的知识复用再适配框架，旨在为演进中的LLM服务高效恢复服务就绪的LoRA适配器，同时保持或提升任务性能。该工作以预印本形式发布在arXiv上（arXiv:2606.02606v1），提交于2026年5月23日，属于机器学习（cs.LG）和人工智能（cs.AI）领域。
ReLoRA包含两个关键优化步骤。第一步是自适应LoRA初始化：它利用贝叶斯优化，通过融合先前部署的任务适配器信息与基座模型的演进信息，构建一个兼容性感知的起点。第二步是带调度正则化的微调：首先通过强正则化快速将适配器引导至高质量区域，随后放松正则化以进行任务特定的精调。这种设计能够在减少再适配开销的同时，快速恢复服务质量。
研究团队进行了大量实验，结果表明，与基线方法相比，ReLoRA将就绪时间（time-to-readiness）最多缩短了8.9倍，并将准确率最高提升了4.6%。这一成果对于需要频繁更新基座模型并管理众多下游任务适配器的LLM服务提供商具有重要意义，有望显著降低运维成本并加速服务迭代。
该论文的完整文本可通过arXiv获取，包括PDF和实验性HTML版本。论文标题为《ReLoRA: Knowledge-Reusing Adaptation for Fast Rollout of Evolving LLM Services》，作者为Yang Xu等六人，提交历史显示该版本为v1，于2026年5月23日15:56:16 UTC提交。