في عصر تتزايد فيه الحاجة إلى نماذج الذكاء الاصطناعي القابلة لإعادة الاستخدام، يبرز تحدٍ كبير يتصل بأمن هذه النماذج. خاصةً مع صعود مراكز النماذج (Model Hubs) التي سهلت الوصول إلى مكونات نماذج يمكن إعادة استخدامها، بات دمج النماذج أداة شائعة لتعزيز القدرات. لكن هذه المرونة تخلق فجوة في الحوكمة (Governance Gap) ما قد يسمح للمستخدمين بإعادة تركيب الأوزان الصادرة بطرق غير مصرح بها، مما يتجاوز معايير الأمان وحقوق الاستخدام.

لحل هذه المشكلة، تم اقتراح إطار عمل جديد يسمى Trap²، الذي يتسم بأنه متاح للعمل مع أي بنية (Architecture-Agnostic) ويحمي النماذج خلال عملية التخصيص (Fine-Tuning). يركز Trap² على ترميز التدابير الأمنية ضمن التحديثات، سواء تم إصدارها كمكونات إضافية أو كنماذج كاملة. بدلاً من الاعتماد على طرق تعتمد على البنية المعمارية، يستخدم Trap² إعادة قياس الأوزان (Weight Re-scaling) كبديل بسيط لضمان فعالية الأوزان في الاستخدام المستقل، بينما يقلل كفاءتها عندما يتم دمجها بطرق غير مصرح بها.

بهذا الشكل، يتم موازنة الأمان والمرونة في عالم الذكاء الاصطناعي، مما يمثل خطوة هامة نحو تحسين الحوكمة والأمان في النماذج المستدامة.