Theo giám sát của Beating, các mô hình ngôn ngữ lớn thường xuyên được cập nhật, nhưng kết quả tinh chỉnh của doanh nghiệp thường khó duy trì qua các phiên bản. Công nghệ tinh chỉnh chủ đạo hiện nay (như LoRA) gắn chặt với không gian trọng số của mô hình nền cụ thể, một khi thay đổi sang mô hình nền mới có hiệu suất tốt hơn, nhà phát triển buộc phải đào tạo lại tất cả các tác vụ tinh chỉnh từ đầu, chi phí nâng cấp mô hình rất cao.
Phòng thí nghiệm AI trực thuộc kỳ lân công nghệ tài chính Ramp đã ra mắt khung Bộ chuyển đổi tác vụ di động (PorTAL), nhằm phá vỡ hạn chế này. Khung này thay đổi quy trình tinh chỉnh truyền thống, cho phép nhà phát triển trong quá trình đào tạo ban đầu, cùng đào tạo và kết tinh ra "biểu diễn tiềm ẩn tác vụ" độc lập với mô hình nền. Khi thay đổi mô hình nền mới, nhà phát triển không cần đào tạo lại từ đầu, chỉ cần hiệu chỉnh lại một bộ chuyển đổi chuyên biệt cực mỏng trên một lượng nhỏ dữ liệu hiệu chuẩn, là có thể nhanh chóng di chuyển khả năng tinh chỉnh giữa các mô hình khác nhau (thậm chí xuyên suốt các dòng mô hình như Qwen-3 đến Gemma-3).
Khi di chuyển, PorTAL giữ nguyên biểu diễn tiềm ẩn tác vụ và bộ giải mã lõi, do đó chi phí dữ liệu và chi phí tính toán thích ứng đều giảm một nửa. Thử nghiệm chính thức cho thấy, giải pháp này có thể phục hồi 94% đến 98% hiệu quả cải thiện độ chính xác so với LoRA tiêu chuẩn, và có hiệu suất tổng quát hóa tốt hơn ở các mức dữ liệu khác nhau.
Tuy nhiên, khung này hiện vẫn đang ở giai đoạn đầu, Ramp chưa công khai mã nguồn hoặc trọng số mô hình, cũng thiếu các đánh giá độc lập từ bên thứ ba. Dữ liệu thử nghiệm hiện tại chủ yếu tập trung vào các mô hình nhỏ dưới 8B tham số, hiệu suất di chuyển trong các tác vụ có tham số lớn hơn hoặc hướng dẫn phức tạp vẫn cần được xác minh thêm.
