MaCP (Proyección de Coseno Adaptativa Mínima pero Poderosa) es un novedoso método adaptativo para el ajuste fino de modelos base a gran escala. Logra un rendimiento superior con un menor consumo de parámetros y memoria en comparación con los métodos existentes. Su idea central es aprovechar las propiedades superiores de compresión de energía y descorrelación de la proyección de coseno para mejorar la eficiencia y la precisión del modelo. Proyecta los cambios de peso de la adaptación de baja dimensión en el espacio discreto del coseno, los particiona en múltiples niveles del espectro discreto del coseno y selecciona los componentes de frecuencia más significativos de cada partición. Demuestra eficacia en una amplia gama de tareas, incluyendo tareas unimodales como la comprensión del lenguaje natural, la generación de lenguaje natural y el resumen de texto, así como tareas multimodales como la clasificación de imágenes y la comprensión de vídeo. Ofrece mayor precisión y una complejidad computacional y requisitos de memoria significativamente menores que los métodos existentes.
