---
title: "適配器模組（Adapter）"
slug: adapter
language: zh-TW
source: https://aiterms.tw/terms/adapter
updated_at: 2026-04-29
tags: [機器學習, 深度學習, 自然語言處理, 模型訓練, 遷移學習, 大型語言模型, Prompt工程]
ipas_term: false
---

# 適配器模組（Adapter）

> **你買了一台歐洲的電器帶回台灣，插頭不合怎麼辦？**
>
> 適配器模組就是 AI 模型的「轉接頭」：在一個已經訓練好的大模型中，插入一小組新的可訓練參數，讓它適應新的任務，同時保持原始模型的參數不動。這樣做的好處是只需要訓練很少的參數（通常不到原始模型的 1%），大幅降低計算成本和儲存需求。
>
> 當你想讓一個通用模型變成專業模型，但又沒有資源從頭訓練時，適配器就是最經濟的選擇。
>
> 就像先用生活中的例子抓住核心用途，再回頭看名詞和公式，理解會穩很多。

### 容易混淆

> **適配器 vs 全模型微調 vs LoRA**
>
> 適配器：在模型中插入小型瓶頸層，只訓練這些新增的參數。
>
> 全模型微調：更新模型所有參數，效果好但成本高、容易過擬合。
>
> LoRA（Low-Rank Adaptation）：適配器的一種改良，用低秩矩陣分解來近似參數更新，更省記憶體。
>
> 最關鍵的區別：適配器和 LoRA 都是「只動一小部分」的省錢做法，全模型微調是「全部重來」的高成本做法。

### 記住這句就好

> 不改整台機器，只加一個轉接頭，就能適應新任務。

### 實際案例

> **多語言翻譯**
>
> Google 在多語言 BERT 上為每種語言加一個適配器，而不是為每種語言訓練一個完整的模型。100 種語言只需要 100 個小型適配器（每個約 2MB），而非 100 個完整模型（每個約 400MB），儲存空間省了 99%。
>
> **醫療文本分析**
>
> 一家醫療 AI 公司想讓通用語言模型理解醫學術語，但只有 5000 筆醫療文本。全模型微調會嚴重過擬合，改用適配器後，只訓練了 0.5% 的參數，在醫療問答任務上的準確率比全模型微調還高 3%。

### 深入了解

> **適配器的工作原理**
>
> | 步驟 | 做什麼 | 關鍵考量 |
> |---|---|---|
> | 凍結原始模型 | 把預訓練模型所有參數鎖定，不讓它們被修改 | 保留通用知識 |
> | 插入適配器層 | 在 Transformer 的每一層中間加入小型瓶頸結構 | 瓶頸維度越小，參數越少但表達力也越弱 |
> | 訓練適配器 | 只用新任務的資料訓練適配器的參數 | 學習率可以比全模型微調大 |
> | 推論時組合 | 把適配器和原始模型組合使用 | 可以隨時拔掉適配器換回通用模型 |

### 情境判斷

> **Q1（直覺題）：** 你有一個預訓練的 BERT 模型，想讓它同時處理法律、醫療、金融三個領域的文本分類。你應該微調三個完整模型，還是訓練三個適配器？
>
> → 訓練三個適配器。三個適配器加起來的參數量還不到一個完整模型的 5%，而且可以共用同一個基礎模型，切換領域只需要切換適配器。
>
> **Q2（判斷題）：** 你的適配器在新任務上表現不如全模型微調，差了 5% 準確率。你應該堅持用適配器，還是改用全模型微調？
>
> → 看情境。如果你有足夠的資料（幾萬筆以上）和算力，5% 的差距可能值得用全模型微調。但如果資料少、需要多任務切換、或算力有限，適配器的效率優勢更重要。也可以嘗試增加適配器的瓶頸維度或使用 LoRA 來縮小差距。

### 常見問題

> **Q：適配器可以疊加使用嗎？**
> 可以。你可以先加一個語言適配器（如中文），再加一個領域適配器（如醫療），實現「中文醫療」的組合效果。這種模組化的設計是適配器最大的優勢之一。
>
> **Q：適配器的瓶頸維度怎麼選？**
> 通常從 64 開始試，太小（如 8）表達力不夠，太大（如 256）就失去了省參數的意義。實務上需要在效果和效率之間做實驗找平衡點。
>
> **Q：適配器和 Prompt Tuning 有什麼差別？**
> 兩者都是「不動原始模型」的微調方法。適配器是在模型內部插入新的層，Prompt Tuning 是在輸入前面加一段可學習的「軟提示」。適配器通常效果更好，但 Prompt Tuning 更簡單。

### 相關術語

> - **遷移學習**：適配器是遷移學習的一種高效實現方式
> - **微調**：適配器是微調的輕量替代方案
> - **LoRA**：適配器的改良版，用低秩分解進一步壓縮參數量
> - **少樣本學習**：適配器在少量資料下特別有優勢

---

來源：https://aiterms.tw/terms/adapter
快查頁：https://aiterms.tw/terms/adapter
最後更新：2026/04/29
深度解說：https://aiterms.tw/learning/what-is-adapter