什么是适配器？插在模型上的小模块

给笔记本外接一个扩展坞，不换电脑就能多出网口、多接一块屏——适配器对大模型做的就是这个：在模型内部塞进几个小模块，原参数冻结不动，只训练新塞进来的部分。智谱清言、DeepSeek 的不少开源版本支持这种练法，本文用桌面上的扩展坞把它讲清。

小模块插在大模型哪里

小模块的位置很有讲究：它被插在模型的主干层之间，数据流经过时先被主干处理一遍，再拐进小模块加一道工序，两路结果合起来继续往下走。训练时主干的参数全部封存，误差信号只调小模块里的参数。参数占比常常只有原模型的百分之一二，一张消费级显卡就能带起来。

塞几个小模块、插在哪几层之间，这些选择没有放之四海皆准的答案，通常按任务试出来：有的场景插在靠近输入的位置就够，有的要穿透大部分层。参数虽小，位置和数量的组合仍然是一门手艺，不是套模板就能完工的活。

插拔的好处是实实在在的：同一套底座模型可以配不同的小模块，要法语腔就插法语模块，要代码风就插代码模块，互不污染，还能随时卸掉恢复原状。这对需要频繁换场景的团队意味着底座训练一次，后面全靠加模块复用。

插哪儿、占比多少、代价落在哪，三件事一起看。

外接扩展坞：不动主机换能力

桌面上的扩展坞这个比方很贴：主机还是那台主机，系统不用重装，想要多屏就插多屏坞，想要读卡就换读卡坞，拔下来主机恢复原样。适配器就是模型内部的坞：底座的通用能力不受损，新本领全记在小模块上。把坞拔了塞包里，底座模型也能直接分享给别人用，不夹带私货。

扩展坞比方还能再推一步：坞可以随时升级换代，底座还是那台。小模块也一样——场景需求变了，重新训一个小模块换上，底座分毫未动，这是可替换性带来的长期红利。

代价也有对应：坞带不动主机本身的短板，小模块也补不了底座缺失的常识——底座没学过的语言，插模块也长不出流利表达，它只是在已有能力上做偏移。什么是继续预训练？给底模安排再读书那篇讲的回炉路线，才是补底子的路子；要动筋骨，则是什么是全量微调？所有参数都动的训练那篇讲的全身训练。

适配器速查表

• 做法：主干冻结，只训插入的小模块
• 参数占比：常见为原模型的百分之一二
• 优势：可插拔、可复用、不污染底座
• 边界：补不了底座缺失的底层能力

类比失效的地方：坞不是万能的

扩展坞类比有一处对不上：坞与主机的接口是标准件，换坞零风险；小模块与底座的配合却要重新学习，插哪儿、插多大、训多久都得试，插错位置反而拖慢整体。另一处：坞是纯外设，小模块却在数据流内部掺了一脚，推理时每一步都背着这点额外开销。

还有一处常被忽略：多个小模块同时插，任务之间会互相打架，跟多个坞抢带宽一个道理。什么时候不该微调？先想清楚再动手那篇讲的前三问，放在决定要不要加模块时同样适用：能用提示词解决的，连坞都别买。

关于适配器的三个常问问题

• 小模块会让模型变慢吗？：会有一点点额外开销，参数占比小到百分之一二时，推理速度的影响通常可以忽略。
• 它能替代全量微调吗？：任务差距大、材料厚的场面替代不了；差距适中、材料有限的场面，它常常更划算。
• 底座模型能同时配几个小模块？：可以配多套分开用，但同时插太多会互相干扰，实践中多是一个场景配一套。

小模块的意义不在神奇，而在可换可卸：底座训一次，场景随便换，试错成本压到最低。该记住的边界是，它只做能力偏移，不补底层短板——底座差的老本，模块加得再多也补不回来。