MaCP (Phép chiếu Cosine Thích nghi Tối thiểu nhưng Mạnh mẽ) là một phương pháp thích nghi mới để tinh chỉnh các mô hình cơ sở quy mô lớn. Phương pháp này đạt được hiệu suất vượt trội trong khi sử dụng ít tham số và bộ nhớ hơn so với các phương pháp hiện có. Ý tưởng cốt lõi của phương pháp này là tận dụng các đặc tính nén năng lượng và khử tương quan vượt trội của phép chiếu cosin để cải thiện hiệu suất và độ chính xác của mô hình. MaCP chiếu các thay đổi trọng số từ phép chiếu thích nghi chiều thấp vào không gian cosin rời rạc, phân vùng các thay đổi trọng số trên nhiều mức của phổ cosin rời rạc và chọn các thành phần tần số quan trọng nhất từ mỗi phân vùng. Phương pháp này thể hiện hiệu quả trên nhiều loại tác vụ, bao gồm các tác vụ đơn mô thức như hiểu ngôn ngữ tự nhiên, tạo ngôn ngữ tự nhiên và tóm tắt văn bản, cũng như các tác vụ đa mô thức như phân loại hình ảnh và hiểu video. Phương pháp này mang lại độ chính xác cao hơn và độ phức tạp tính toán cũng như yêu cầu bộ nhớ thấp hơn đáng kể so với các phương pháp hiện có.
