MaCP (Minimal yet Mighty Adaptive Cosine Projection) est une nouvelle méthode adaptative permettant d'affiner les modèles de base à grande échelle. Elle offre des performances supérieures tout en utilisant moins de paramètres et de mémoire que les méthodes existantes. Son principe fondamental est d'exploiter les propriétés supérieures de compression d'énergie et de décorrélation de la projection cosinus pour améliorer l'efficacité et la précision des modèles. Elle projette les variations de pondération issues de l'adaptation à basse dimension dans l'espace cosinus discret, partitionne ces variations de pondération sur plusieurs niveaux du spectre cosinus discret et sélectionne les composantes fréquentielles les plus significatives de chaque partition. Elle s'avère efficace pour un large éventail de tâches, notamment les tâches unimodales telles que la compréhension et la génération de langage naturel et la synthèse de texte, ainsi que les tâches multimodales telles que la classification d'images et la compréhension vidéo. Elle offre une précision supérieure et une complexité de calcul et des besoins en mémoire nettement inférieurs à ceux des méthodes existantes.
