大语言模型的记忆行为会导致数据提取攻击的风险。已有大量研究聚焦于预训练阶段的记忆，但对微调阶段，尤其是参数高效的 LoRA 微调，关注较少。本文重新审视微调中的记忆，并发现不同微调策略下的行为与以往结论出现显著分歧。模型规模、数据重复等因素在预训练和全参数微调中会显著提升记忆，但在 LoRA 微调中并未呈现相同趋势。我们采用更宽松的基于相似度的记忆度量，实验表明 LoRA 相比全参数微调显著降低了记忆风险，同时保持了强劲的任务性能。\n\n点评：LoRA 通过限制可训练参数的范围，既削弱了模型对训练数据的过度记忆，又不牺牲下游任务的表现，为安全高效的 LLM 部署提供了实用路径。