Ramp Labs开源PorTAL框架：一次训练即可跨模型复用LoRA任务表示

Ramp Labs近日正式开源了PorTAL框架，这是一个面向共享任务表示与跨模型LoRA适配的前沿工具。PorTAL的核心思路在于将任务知识与基座模型解耦：它首先学习一个与模型架构无关的“任务隐变量”，再通过轻量级的逐模型对齐模块，直接生成适用于各个目标基座的标准逐层LoRA权重。这意味着，用户只需对某项任务进行一次训练，就能将该任务表示快速适配到多个不同的冻结基座模型上，无需针对每个模型重新微调。框架目前覆盖从混合注意力模型到多模态系统的广泛范围，已支持Gemma 4 E2B、Mistral 7B等模型。生成的适配器可直接导出为Hugging Face PEFT标准格式，极大简化了部署和共享流程。这一设计不仅显著降低了多模型维护成本，也为参数高效微调（PEFT）在大模型生态中的规模化应用提供了一条通用路径，有望加速多模型协作与任务迁移的研究进程。