不是多少，而是哪个：低秩适应中的参数放置

我们研究 \textit{参数放置问题}：给定 LoRA 适配器 B 矩阵内 $k$ 可训练条目的固定预算（A 冻结），选择哪个 $k$ 重要吗？在监督 微调 下，随机子集和知情子集实现了可比的性能。在基本模型上的 GRPO 下，随机放置无法比基本模型有所改进，而梯度通知放置可以恢复标准 LoRA 精度。这种状态依赖性可以追溯到梯度结构：SFT 梯度是低秩且方向稳定的，因此任何子集都会累积相干更新； GRPO 梯度是高阶的并且跨步骤接近正交，因此只有具有一致符号梯度的元素才能保留学习信号。我们的评分程序可在 10 秒内识别这些关键参数，且训练成本不到 0.5%。选定的参数集中于残差流写入投影（V、O、Down），在模型系列和尺度（1.5B - 8B）中保持稳定。