في عالم الذكاء الاصطناعي، تواجه نماذج الرؤية-اللغة (Vision-Language Models - VLMs) تحديات كبيرة عند التكيف مع المهام الجديدة، خاصة عندما تكون البيانات المسجلة محدودة. تعتبر طرق تعلم معلمات الإشعارات (Prompt Learning) طريقة واعدة لمواجهة هذا التحدي، لكنها غالباً ما تعاني من ما يعرف بـ "نسيان الكوارث"، حيث يُفقد النموذج المعرفة السابقة نتيجة التكيف.

استجابةً لهذه التحديات، يقدم الباحثون تقنية جديدة تُعرف باسم EvoPrompt، والتي تهدف إلى توجيه مسار الإشعارات للحفاظ على المعرفة أثناء التكيف. تعتمد هذه التقنية على فكرة أن توجيه مسار الإشعارات بشكل صحيح يعد أمرًا حيويًا لضمان عدم فقدان المعلومات الأساسية.

تعمل EvoPrompt على استخدام جهاز إسقاط مشترك للموديلات (Modality-Shared Prompt Projector - MPP) لتوليد إشعارات هرمية من فضاء تمثيلي موحد. من خلال استراتيجيات تدريب تطورية، تقوم EvoPrompt بتفكيك التحديثات إلى مكونات الاتجاه والقوة، مما يحافظ على الاتجاهات الدلالية التي تم تعلمها في وقت مبكر مع تعديل القوة فقط. هذا يسمح للإشعارات بالتطور دون فقدان المعرفة الأساسية.

كما تدعم تقنية EvoPrompt استقرار عملية التعلم من خلال تنظيم هندسي للميزات (Feature Geometric Regularization - FGR)، والذي يمنع انهيار التمثيل من خلال تعزيز تباين الميزات. أظهرت التجارب المكثفة أن EvoPrompt تحقق أداءً على مستوى الطليعة في التعلم من خلال القليل من البيانات، بينما تحافظ بفعالية على قدرات النموذج في حالات التعلم بدون بيانات جديدة.