تُعتبر نماذج اللغة الضخمة (Large Foundation Models) أدوات قوية ذات إمكانيات هائلة في معالجة البيانات المتعددة، ولكن كيفية تكييفها مع المهام المختلفة لا تزال تمثل تحدياً كبيراً. لذا، طورت مجموعة من الباحثين تقنية جديدة تُدعى AdaKerNet، وهي عارض عصبي يمكنه التكيف مع المهام بطريقة فعَّالة ودون الحاجة للوصول إلى معلمات النموذج.

يعتمد AdaKerNet على مجموعة من الميزات القابلة للتعلم والمشتقة من تمثيلات متعددة الوسائط. ولتوفير قدرة جديدة على الهيكلة، يستخدم النموذج نواة مرجعية تساعد في توجيه عملية التعلم. وهو ما يتيح للمستخدمين الاستفادة من تمثيلات غنية من نماذج اللغة الضخمة دون الحاجة لتعديل معلمات النموذج.

وقد أظهرت الاختبارات التي أجريت على أربع نماذج مختلفة: BLIP-2، LLaVA-1.5، Qwen2.5-VL، وGemini Embedding 2 تحسناً ملحوظًا في الأداء، حيث تم تحقيق تقليص في معدلات الخطأ يصل إلى 41%. تعد هذه النتائج بمثابة شهادة على فعالية AdaKerNet كأداة جديدة في عالم التنبؤ بالاعتماد على بيانات متعددة الوسائط، خصوصاً في ظل وجود علامات محدودة.