本文分析了神经机器翻译系统的适应性，提出了多种适配器方法以提高领域适应性能。研究表明，适配器的组合方式对性能影响显著，提出的$k$NN-Adapter和UniPELT框架有效减少参数并提升性能，强调了适配器在资源节约和高效微调中的潜力。

本文介绍了多种针对CLIP模型的适配器方法，包括Tip-Adapter、CALIP、Meta-Adapter和Domain Aligned CLIP (DAC)。这些方法通过零训练或少量微调，提升了CLIP在少样本学习和多模态任务中的性能，解决了模态间隙问题，并在多个数据集上取得了显著效果。

本文提出了一种适配器方法，可在多个不同领域中提高性能，同时提供了推理时间算法来推出新领域的泛化性能，成本较低。