تُعد نماذج الرؤية واللغة (Vision-Language Models - VLMs) إحدى أبرز الابتكارات في مجال الذكاء الاصطناعي، إذ تتمتع بقدرات مدهشة في إجراء التنبؤات بدون بيانات معلمة (Zero-shot capabilities). إلا أن هذه النماذج تواجه تحديات كبيرة بسبب التحولات في التوزيع، مما قد يؤثر سلباً على أدائها.

ظهرت تقنية التكيف في وقت الاختبار (Test-time Adaptation - TTA) كاستراتيجية رئيسية للتكيف مع بيانات الاختبار غير المعلمة بشكل مباشر. ومع ذلك، تعتمد الطرق الحالية بشكل كبير على التوقعات الصفرية كعلامات مزيفة للتدريب الذاتي، وهو ما يمكن أن يكون غير موثوق به في ظل التحولات التوزيعية.

تحمل هذه الطرق قيودًا تتعلق بوجود فجوات بين الوسائط (Modality Gap) والضجيج البصري (Visual Nuisance). حيث تؤدي التحولات التوزيعية إلى عدم دقة في العلاقات بين الجوانب البصرية والنصية، كما أن التمثيلات المرئية تحتوي على ضجيج غزير غير ذي صلة مما يعطل المعاني المهمة.

أمام هذه التحديات، قدم الباحثون تقنية جديدة تُسمى SubTTA، والتي تهدف إلى توحيد الفضاءات الدلالية للوسائط المختلفة لتعزيز التنبؤات وتحسين تجاوب النموذج مع التغييرات في البيانات. من خلال استخراج الفضاءات الرئيسية لكل من الوسائط، تقوم SubTTA بمحاذاة المنحنيات البصرية مع النقاط المرجعية الدلالية النصية، مما يقلص الفجوات بينهما.

تعمل SubTTA أيضًا على تصفية الضجيج غير الملائم من خلال فرض قيود على التمثيلات البصرية داخل النطاق الدلالي الصحيح، مما يمهد الطريق للتكيف الدقيق.

أظهرت التجارب المكثفة على مجموعة متنوعة من المعايير المعمارية لنماذج VLMs فعالية SubTTA، حيث حصلت على تحسين متوسط قدره 2.24% مقارنة بأحدث الطرق التقليدية لتحقيق التكيف.

إن نجاح هذه التقنية يشير إلى ما يمكن أن تحققه الأبحاث في الأصل، ويعزز من دقة نماذج الذكاء الاصطناعي في ظل ظروف متغيرة.