LoRA（大きなモデルを固定したまま全体の1%未満のパラメータだけ追加学習する手法）の役割を根本から見直す論文（https://arxiv[.]org/abs/2606.02437）。 「安価な代替手法」ではなく、1つの巨大基盤モデルの上に何百万もの個人専用AIを並列で動かす基盤として再定義している。 最も具体的な示唆はこの比較だ。DS-Distill-Qwen-1.5Bをフルで学習（1.5B全パラメータ更新）するとAIME 2025の改善率は8.33%。一方でDS-Distill-Qwen-32BにLoRA rank-8（学習パラメータはわずか0.07B）をかけると20.61%。学習パラメータが1/20以下でも、強い基盤モデルの潜在能力を引き出す方が圧倒的に効率良い。 論文は3つの軸を整理する。 Scale Up（基盤モデルを強くする）では、Kimi K2（総パラメータ1.04兆・実行時32.6B）でLoRA強化学習を実現し、フルパラメータRLに比べGPU使用量を約10%に圧縮した。 Scale Down（アダプタを小さくする）では rank 16〜32が実用デフォルト。rank 1〜4は成果は出るが不安定な研究フロンティア。 Scale Out（多数の個人モデルを並存させる）では198個のLoRAバリアントで多数決をとるとAIME24の正答率が0.3644から0.4867に上昇。個人モデルの多様性が集合知として機能する。 Qwen3-235B + rank-32 LoRAでALFWorld（言語で指示する家事ロボットベンチマーク）スコアが0.646から0.845に改善し、LoRAが「事実の暗記」でなく「スキルの定着」として動くことも示した。 1つの共有モデルが何百万人分の「記憶・習慣・スキルを持つ個人AI」を支えるという絵が、現実のインフラの話として出てきた。