Beating'in izleme raporuna göre, büyük dil modelleri sık sık güncelleniyor ancak işletmelerin ince ayar çalışmalarının sonuçları genellikle sürümler arasında korunamıyor. Mevcut ana akım ince ayar teknolojileri (LoRA gibi), belirli temel model ağırlık alanına derinlemesine bağlıdır. Daha iyi performansa sahip yeni bir temel model değiştirildiğinde, geliştiriciler tüm ince ayar görevlerini baştan yeniden eğitmek zorunda kalır ve bu da model yükseltme maliyetlerini yüksek hale getirir.
Fintech tek boynuzlu atı Ramp bünyesindeki AI laboratuvarı, bu sınırlamayı aşmak için Taşınabilir Görev Adaptörü (PorTAL) çerçevesini tanıttı. Bu çerçeve, geleneksel ince ayar sürecini değiştirerek geliştiricilerin ilk eğitim sırasında, temel modelden bağımsız "görev potansiyel temsillerini" birlikte eğitip biriktirmesine olanak tanır. Yeni bir temel model değiştirildiğinde, geliştiriciler sıfırdan eğitime gerek kalmadan, yalnızca çok az miktarda kalibrasyon verisi üzerinde son derece ince bir modele özel dönüştürücüyü yeniden kalibre ederek, farklı modeller (hatta Qwen-3'ten Gemma-3'e kadar farklı model aileleri arasında) arasında ince ayar yeteneklerini hızlıca taşıyabilir.
PorTAL, taşıma sırasında görev potansiyel temsillerini ve çekirdek kod çözücüyü dondurduğu için veri miktarı ve adaptasyon hesaplama maliyeti yarıya indirilebilir. Resmi testler, bu çözümün standart LoRA'nın doğruluk artış etkisinin %94 ila %98'ini geri kazanabildiğini ve farklı veri ölçeklerinde daha iyi genelleme performansı gösterdiğini ortaya koydu.
Ancak, bu çerçeve henüz erken aşamadadır. Ramp, kodunu veya model ağırlıklarını henüz açık kaynak olarak sunmamıştır ve üçüncü taraf bağımsız değerlendirmeleri de bulunmamaktadır. Mevcut test verileri çoğunlukla 8B parametrenin altındaki küçük modellere odaklanmıştır; daha büyük parametre ölçeklerinde veya karmaşık komut görevlerinde taşıma performansı henüz doğrulanmayı beklemektedir.
