Do metod dostrajania należą również metody dostrajania efektywnego parametrycznie (, PEFT), w których większość parametrów modelu pozostaje niezmieniona, a uczeniu podlega jedynie niewielki zbiór dodatkowych lub wybranych parametrów. Stanowią one alternatywę dla pełnego dostrajania dużych modeli, w tym dużych modeli językowych, ponieważ pozwalają ograniczyć liczbę trenowanych parametrów, a tym samym zmniejszyć wymagania pamięciowe i obliczeniowe. W literaturze wyróżnia się między innymi podejścia addytywne, selektywne, reparametryzacyjne i hybrydowe. Przykładami metod PEFT są adaptery, czyli niewielkie moduły dodawane do warstw modelu i trenowane dla konkretnego zadania, oraz LoRA (), w której wagi modelu bazowego pozostają zamrożone, a aktualizacja wag jest parametryzowana za pomocą trenowalnych macierzy niskiego rzędu. Niektóre metody PEFT, takie jak adaptery i LoRA, mogą w wielu zastosowaniach dawać wyniki zbliżone do pełnego dostrajania przy znacznie mniejszej liczbie trenowanych parametrów, a także ograniczyć koszty związane z przechowywaniem i obsługą wielu wariantów modelu.