简约而强大的自适应余弦投影（Minimal yet Mighty adaptive Cosine Projection，简称 MaCP）是由阿姆斯特丹大学于 2025 年 5 月 29 日提出的提出的一种新的高效适应方法 ，旨在通过最小的参数和内存开销，在大型基础模型的微调中实现出色的性能。相关论文成果为「MaCP: Minimal yet Mighty Adaptation via Hierarchical Cosine Projection」，该论文已获 ACL 25 最佳主题论文奖。

MaCP 利用离散余弦变换（DCT）的能量压缩和去相关特性，将低秩适应中的权重变化投影到离散余弦空间，并在多个频率层次上选择最关键的频率成分，从而提高模型效率和准确性。在多个任务上与现有的参数高效微调方法（如 LoRA 、 VeRA 、 LaMDA）相比，MaCP 显著降低了内存占用和计算复杂度，同时提高了准确性。