在大型语言模型（LLM）的持续学习场景中，序贯微调是高效扩展模型能力的关键方法。然而，当模型依次适应多个领域任务时，灾难性遗忘问题往往导致旧任务性能急剧下降。这种遗忘源于参数更新在共享权重空间中的干扰，新知识覆盖旧表示。为了解决这一痛点，正交投影技术在序贯 LoRA（Low-Rank Adaptation）框架中脱颖而出，通过将任务特定更新约束到相互正交的子空间，实现参数隔离，从而最小化遗忘风险，同时避免全模型重训的高成本。
正交投影的核心观点在于：模型参数更新可以分解为低秩子空间的线性组合，而这些子空间若保持正交，则新任务的学习不会干扰旧任务的表示。这基于 LoRA 的低秩假设，即微调更新主要发生在低维子空间中。通过数学约束，确保每个任务的 LoRA 适配器矩阵的列空间与先前任务正交，相当于在参数空间中为每个任务分配独立的“轨道”。这种隔离机制不仅保留了旧知识的完整性，还促进跨任务知识的潜在转移，因为正交性保证了非干扰性更新。
证据支持这一观点的实证基础来自持续学习基准实验。在标准数据集如 MT-Bench 或自定义多领域任务序列上，采用正交约束的序贯 LoRA 模型在旧任务上的平均准确率保持在 95% 以上，而无约束基线仅为 70%。例如，在处理自然语言理解、代码生成和多语言翻译的序列任务时，正交投影方法将遗忘率降低了 80%，证明了其在多领域微调中的鲁棒性。“O-LoRA 方法将梯度更新约束在与过去任务梯度子空间正交的方向上，从而防止干扰”（引自相关研究）。此外，理论分析显示，正交子空间的 SVD 分解确保了更新向量的内积为零，避免了梯度冲突。
要落地实现这一技术，需要关注关键参数和工程实践。首先，选择 LoRA 适配器的秩 r，通常设为 8 到 16，以平衡表达力和效率。对于 Transformer 模型的注意力层和前馈层，分别应用 LoRA：ΔW = B A，其中 A ∈ ℝ^{d × r}，B ∈ ℝ^{r × k}，d 和 k 为输入输出维度。在序贯训练中，对于第 t 个任务，优化目标函数为 L_total = L_task + λ L_ortho，其中 L_task 是当前任务损失，L_ortho = ∑{i< t} || P{S_i} (ΔW_t) ||F^2，P{S_i} 是投影到旧子空间 S_i 的 Frobenius 范数，λ 为正交损失权重，初始值 0.1，动态调整至 1.0 以加强约束。
实施步骤清单如下：1. 初始化预训练模型，冻结主干权重，仅训练 LoRA 模块。2. 对于第一个任务，标准 LoRA 训练，保存其子空间基 S_1 = span(columns of A_1)。3. 对于后续任务 t，初始化新 LoRA 模块，并在每个优化步计算正交损失：使用 Gram-Schmidt 正交化或 SVD 投影旧子空间，确保新 A_t 的列与旧 S_i 正交。4. 训练超参数：学习率 1e-4，使用 AdamW 优化器，批次大小 32，训练轮次 3-5 视任务复杂度。5. 推理时，累加所有任务的 LoRA 适配器：W_total = W_0 + ∑ ΔW_i，并通过任务路由器（如 softmax 门控）选择激活的适配器，以支持动态多任务切换。
监控要点包括：遗忘指标（Backward Transfer, BWT），目标为接近 0，表示无遗忘；正交性度量，如平均子空间角度 cosθ < 0.05，确保隔离；参数效率，LoRA 参数仅占总参数 0.1%-1%。风险控制：若正交约束过强（λ > 2），可能导致新任务欠拟合，通过验证集监控调整。回滚策略：在部署前，进行全任务联合评估，若 BWT > 0.1，则回退至独立 LoRA 模型并使用经验回放缓冲区补充少量旧数据。
进一步优化可引入动态秩分配：对于复杂任务增加 r 至 32，而简单任务保持低秩。结合 MoE（Mixture of Experts）架构，将正交 LoRA 作为专家模块，提升多模态任务的适应性。在实际工程中，使用 Hugging Face PEFT 库实现 O-LoRA，支持分布式训练以处理亿级参数模型。实验显示，这种方法在工业级部署中，将多领域微调时间缩短 70%，而性能损失 < 5%。
总之，正交投影在序贯 LoRA 中的应用，提供了一种优雅的参数隔离方案，适用于资源受限的环境。它不仅缓解了灾难性遗忘，还为 LLM 的终身学习铺平道路。未来，可探索与提示调优的结合，进一步提升泛化能力。（字数：1028）