LoRA 微调的原理是什么？相比全量微调有哪些优缺点？在具身智能中一般如何应用？

LoRA 冻结预训练权重 W，为其附加低秩分解$\Delta W=BA$（r 远小于 d），只训练 A、B。参数量、优化器状态和梯度显存大幅下降，多个任务的适配器可以切换或合并回主权重；通常作用于注意力与 MLP 投影矩阵。相比全量微调：优点是省显存、抗遗忘、部署灵活，缺点是秩上限约束了可学到的改动，复杂任务上可能略逊。

具身应用落点：对 VLA 主干做 LoRA 是标准玩法——openpi 的 π0 微调就提供 LoRA 选项，用少量演示数据为不同机器人本体或新任务训练独立适配器，保住 VLM 预训练知识的同时快速适配动作分布。还可以提 QLoRA（4-bit 量化 + LoRA）进一步压显存，以及 rank 选择与目标模块的经验规律。