Offsite-Tuning是一种迁移学习框架，允许在不完全访问原始模型的情况下对大型基础模型进行微调。该方法使用轻量级适配器和压缩仿真器，保护模型所有者和数据所有者的隐私，同时提高计算效率。与传统全模型微调相比，Offsite-Tuning保持相当准确性，同时实现6.5倍速度提升和5.6倍内存减少，适用于大规模语言和视觉模型。