adapted（适配/衍生模型）指在基础大模型之上，通过微调、后训练或轻量化改造，使其适配特定任务、设备或成本需求的模型版本。它是当前大模型产业落地的关键环节：基础模型负责能力上限，adapted 模型则决定能力能否以合理价格触达真实场景。围绕 adapted 模型的讨论，主要集中在创造力评测、Agent 能力适配与极致低价三条线上。
adapted 模型的近期进展
当前焦点与观察点
adapted 模型的核心争议在于"小而专"与"大而全"的取舍。Flash 类模型证明，通过针对 Agent、代码、数据科学等场景的后训练，较小参数量也能在垂直基准上领先旗舰模型，且价格低一个量级；但 Design Creativity Bench 的结果同时提醒，适配无法凭空创造基础模型不具备的能力，尤其在创造力这类难以量化的维度上，最强模型仍显著落后于人类。
接下来值得观察三点：一是后训练在多大程度上能持续逼近甚至超越更大的基础模型；二是价格战是否会推动更多场景从旗舰模型迁移到 adapted 版本；三是针对 Agent 与工具调用的适配评测（如 DeepSWE）能否成为衡量 adapted 模型质量的新标准。对普通使用者而言，"同等能力下选更便宜的适配版"正在成为默认策略。