Over de schaling van PEFT: Naar miljoen persoonlijke modellen van biljoen parameters.
On the Scaling of PEFT: Towards Million Personal Models of Trillion Parameters
June 1, 2026
Auteurs: Mind Lab, Song Cao, Vic Cao, Kaijie Chen, Bunny Fan, Hera Feng, Huan Feng, Arthur Fu, Jun Gao, Hongquan Gu, Aaron Guan, Mutian Hong, Hailee Hou, Peixuan Hua, Charles Huang, Miles Jiang, Nora Jiang, Yuyi Jiang, Autumn Jin, Fancy Kong, Kyrie Lei, Alexy Li, Dawn Li, Ray Li, Theo Li, Wenhao Li, Jiayi Lin, Domini Liu, Heshan Liu, Kairus Liu, Logan Liu, Maeve Luo, Runism Lv, Pony Ma, Verity Niu, Anson Qiu, Vincent Wang, Maxwell Yao, Regis Ye, Wenlin Ye, Yanying Ye, Josh Ying, Danney Zeng, Salmon Zhan, Anya Zhang, Ruijia Zhang, Shiyang Zhang, Sueky Zhang, Ya Zhang, Wei Zhao, Ada Zhou, Sizer Zhou, Xinyue Zhu, Murphy Zhuang
cs.AI
Samenvatting
Parameter-efficiënte fine-tuning (PEFT) wordt gewoonlijk beschouwd als een goedkoper alternatief voor volledige fine-tuning. Wij onderzoeken een bredere rol: kleine trainbare adapters als persistente lokale toestand bovenop sterke gedeelde funderingsmodellen. In deze benadering biedt het basismodel gedeelde competentie, terwijl adapters instantiespecifiek gedrag dragen, zoals voorkeuren, vaardigheden, gereedschapsgewoonten en geheugenachtige updates. We organiseren het probleem rond drie schaalassen: 'Scale Up', waarbij sterkere gedeelde prioria kleine lokale aanpassingen nuttiger maken; 'Scale Down', waarin we bestuderen hoe klein adapters kunnen zijn terwijl ze betrouwbaar blijven; en 'Scale Out', waarbij veel persistente aangepaste instanties naast elkaar bestaan. MinT biedt een voorbeeldinfrastructuur voor het beheren van adapter-identiteit, -revisie, -herkomst, -evaluatie en -serving-residentie. Samen suggereren de resultaten dat PEFT een compacte ondergrond kan zijn voor persistente persoonlijke modellen, in plaats van slechts een budgetvriendelijke vervanger voor volledige fine-tuning.
English
Parameter-efficient fine-tuning (PEFT) is usually treated as a cheaper alternative to full fine-tuning. We study a broader role: small trainable adapters as persistent local state on top of strong shared foundation models. In this framing, the base model provides shared competence while adapters carry instance-specific behavior such as preferences, skills, tool habits, and memory-like updates. We organize the problem around three scaling axes: Scale Up, where stronger shared priors make small local updates more useful; Scale Down, where we study how small adapters can be while remaining reliable; and Scale Out, where many persistent adapted instances coexist. MinT provides one infrastructure example for managing adapter identity, revision, provenance, evaluation, and serving residency. Together, the results suggest that PEFT can be a compact substrate for persistent personal models rather than only a budget substitute for full fine-tuning.