CARLoS：规模化 LoRA 精简评估表示检索框架
人工智能
2025-12-10 v1
摘要
生成组件（如 LoRA）的快速扩散创造了一个广大但非结构化的生态系统。现有发现方法依赖不可靠的用户描述或偏见的流行度指标，阻碍了可用性。我们提出了 CARLoS（CARLoS: Retrieval via Concise Assessment Representation of LoRAs at Scale），一个无需额外元数据的大规模 LoRA 特征框架。通过对 650 多项 LoRA 在多样化提示和随机数种子下的图像生成进行分析，我们将其用作评估其行为的可信方法。利用 CLIP 嵌入及其与基础模型生成结果的差异，我们简洁地定义了三部分表示：方向（Directions），定义语义偏移；强度（Strength），量化效果的显著性；一致性（Consistency），量化效果的稳定性。通过这些表示，我们开发了一个高效检索框架，在语义上将文本查询与相关 LoRA 匹配，同时过滤过于强或不稳定的 LoRA，在自动化和人类评估中均优于文本基准。虽然检索是我们的主要关注点，但相同的表示也支持将强度和一致性与版权法中的显著性和自主性关联的分析，使 CARLoS 成为一个具有更广泛 relevance for LoRA analysis 的实用系统。
引用
@article{arxiv.2512.08826,
title = {CARLoS: Retrieval via Concise Assessment Representation of LoRAs at Scale},
author = {Shahar Sarfaty and Adi Haviv and Uri Hacohen and Niva Elkin-Koren and Roi Livni and Amit H. Bermano},
journal= {arXiv preprint arXiv:2512.08826},
year = {2025}
}
备注
Paper Page: https://shahar-sarfaty.github.io/CARLoS/