第13篇：多模态大模型论文MokA: Multimodal Low-Rank Adaptation for MLLMs一种兼顾多模态特性的高效微调策略

第一部分：基本信息

论文MokA: Multimodal Low-Rank Adaptation for MLLMs已经被 NeurIPS 2025 接收并以 Oral 形式录用（即大会口头报告），这意味着它不仅被接受了，还属于会议中比较高质量的论文类型之一。

第二部分：解决的问题

（1）目前研究问题

①关键局限

我们发现当前大多数多模态高效微调方法存在一个关键局限：它们直接借鉴自单模态大语言模型（LLMs），往往忽视了多模态场景的固有差异，甚至影响了各模态信息的充分利用。基于这一实证观察，我们认为“单模态适配” 与 “跨模态适配”是多模态大语言模型（MLLMs）有效微调的两个核心环节。

②效率问题

然而，由于 LLMs 的参数量极其庞大，在下游任务上对这类模型进行全量微调，在多数情况下计算成本过高且效率低下。

（2）提出的解决方案

其中，LoRA 及其变体（这类