Los modelos de lenguaje grandes (LLMs) como BERT y GPT-3 requieren ajuste fino para tareas específicas, pero esto puede ser computacionalmente costoso.
Los adaptadores ofrecen un método más eficiente en términos de parámetros al agregar capas ajustables a los bloques transformadores de LLMs, lo que permite un mejor rendimiento en tareas y conjuntos de datos específicos.