LoRA（Low-Rank Adaptation）中必须把其中一个矩阵（通常是 B）初始化为 0 的核心原因，是为了让微调在第0步（刚加载预训练权重时）不改变原模型的任何输出，也就是实现“从预训练模型精确起步”。
这不是可有可无的trick，而是LoRA设计中最关键的工程细节之一。
为什么一定要 ΔW = 0 在初始化时刻？
LoRA 的更新形式是：
h = W₀ x + ΔW x = W₀ x + (B A) x
（通常再乘一个缩放因子 α/r）
在训练刚开始的那一刻，如果 ΔW ≠ 0，就会立刻给原模型引入一个随机偏移，这会导致：
- 输出突然跳变 → 损失剧烈震荡
- 早期梯度不稳定，容易跑偏或梯度爆炸/消失
- 破坏了预训练模型已经非常好的初始化（这是最昂贵的部分）
而把 B 初始化为 全零矩阵，无论 A 是什么（高斯随机、Kaiming、Xavier 随便），都有：
B A = 0（矩阵乘法性质：任何矩阵乘以零矩阵都得零矩阵）
于是 ΔW = 0 → h = W₀ x，完美保持原模型行为。
为什么不把 A 和 B 都初始化为 0？
| 初始化方式 | ΔW 初始化时是否为 0 | 梯度是否为 0 | 早期训练稳定性 | 实际效果（主流实践） |
|---|---|---|---|---|
| A=0, B=0 | 是 | 是（对称性问题） | 极差 | 基本学不动（梯度对称坍缩） |
| A=随机, B=随机 | 否（随机大偏移） | 正常 | 差 | 早期震荡大，难收敛 |
| A=随机, B=0（主流） | 是 | 正常 | 很好 | 最稳定，推荐 |
| A=0, B=随机 | 是 | 正常 | 较好 | 比主流稍差一些 |
- 全零 → 所有神经元对称，梯度相同 → 学不动（经典的 zero init 灾难）
- 都随机 → 相当于突然给预训练权重加了一个随机低秩扰动 → 相当于从一个很差的起点开始微调，浪费了预训练的优势
所以主流（包括原论文、PEFT库、绝大多数开源实现）都选 A 随机小方差初始化 + B = 0。
2024–2025 年的新研究：其实不“必须”了
最近一些工作（尤其是 infinite-width 理论分析 + 大量实验）发现：
- 如果把 A 和 B 都用很小的非零值初始化（比如缩小标准差），训练其实也能正常进行
- 甚至在某些情况下（特别小 learning rate 时）更鲁棒
- 微调不一定非要从精确的预训练模型开始，加一点小的随机噪声通常不影响最终性能
代表工作：
- “Investigating the Impact of Non-Zero Initialization on LoRA Fine-Tuning Dynamics” (ICML 2025)
- 结论：非零初始化可以提升对次优学习率的鲁棒性，且最终精度往往不差甚至略好
但目前工程界仍然强烈推荐 B 初始化为 0，原因主要是：
- 最稳（early training 几乎不会炸）
- 最可复现
- 和绝大多数已有 checkpoint / 教程 / huggingface peft 代码一致
总结一句话
LoRA 把 B 初始化为 0 的根本目的是：让低秩适配器在训练第0步“什么都不做”，从而最大限度地继承预训练模型的优秀初始化和稳定性。
这是工程上“稳”压倒一切的典型案例。
如果你现在做实验：
- 想最稳 → 继续用 B=0
- 想探索极限 / 小学习率场景 → 可以试试双随机小方差初始化（注意要配合更小的初始学习率）
你是在 debug LoRA 训练不稳定，还是在准备面试/写论文想深入理解这个细节？可以告诉我具体场景，我再给你更针对性的建议～
