في عالم الذكاء الاصطناعي المتطور، تواجه النماذج تحديات كبيرة عند العمل في ظروف غير ثابتة. أحد هذه التحديات هو ما يعرف باسم "التكيف في الزمن الحقيقي" (Wild Test-Time Adaptation - WTTA)، والذي يتطلب من النموذج تحديث نفسه بشكل مستمر أثناء عرض بيانات جديدة في الوقت الحقيقي.

ولحل هذه المسألة، تم تقديم نموذج MASA (Multimodal-LLM-Anchored Semantic Adaptation)، الذي يعتمد على نموذج لغوي متعدد الأنماط (MLLM) لتوفير أوصاف دلالية منظمة تؤيد عملية التكيف. كيف يعمل ذلك؟ عندما يكون النموذج الأساسي غير موثوق، تتكون دائرة مغلقة من الأخطاء. لكن MASA يحل هذه المشكلة عن طريق دمج أدلة هيكلية مع معلومات موثوقة من MLLM، مما يمكنه من تقليل الاعتماد على الذات في اتخاذ القرارات.

يتطلب MASA تكاليف استدلال منخفضة، حيث يستفيد من مجموعة صغيرة من المراسي المصنفة بحسب الموثوقية، مما يساعد في التقاط تفاصيل مثل العائلة الكائنية والعوامل المزعجة مثل الزاوية والتداخل. وبهذا الشكل، يُخزن MASA المعلومات في ذاكرة أولية عبر الإنترنت، مما يسمح باسترجاع المعلومات عند الحاجة.

الأبحاث أظهرت أن MASA يمكنه تحقيق أداء مذهل عند استخدامه مع معايير قياس مثل WTTA على بيانات ImageNet-C، مما يؤكد فعاليته في ظروف النموذج غير المتوازنة