ตามการตรวจสอบของ Beating พบว่าโมเดลภาษาขนาดใหญ่มีการอัปเดตบ่อยครั้ง แต่ผลลัพธ์จากการปรับแต่งเฉพาะองค์กรมักจะไม่สามารถคงอยู่ข้ามเวอร์ชันได้ ปัจจุบัน เทคนิคการปรับแต่งเฉพาะที่ได้รับความนิยม (เช่น LoRA) ผูกติดกับพื้นที่น้ำหนักของโมเดลฐานเฉพาะอย่างลึกซึ้ง เมื่อเปลี่ยนไปใช้ฐานรุ่นใหม่ที่มีประสิทธิภาพดีกว่า นักพัฒนาจะต้องฝึกอบรมงานปรับแต่งทั้งหมดใหม่ตั้งแต่ต้น ทำให้ค่าใช้จ่ายในการอัปเกรดโมเดลสูงลิ่ว
ห้องปฏิบัติการ AI ภายใต้บริษัทฟินเทคยูนิคอร์น Ramp ได้เปิดตัวเฟรมเวิร์ก PorTAL (Portable Task Adapter) เพื่อพยายามทำลายข้อจำกัดนี้ เฟรมเวิร์กนี้เปลี่ยนแปลงกระบวนการปรับแต่งเฉพาะแบบดั้งเดิม โดยอนุญาตให้นักพัฒนาฝึกอบรมร่วมกันในระหว่างการฝึกอบรมเริ่มต้น และสร้าง "การแสดงแทนงานที่แยกจากฐาน" ที่เป็นอิสระ เมื่อเปลี่ยนไปใช้ฐานรุ่นใหม่ นักพัฒนาไม่จำเป็นต้องฝึกอบรมตั้งแต่ต้น เพียงแค่ปรับเทียบตัวแปลงเฉพาะโมเดลที่บางมากอีกครั้งด้วยข้อมูลปรับเทียบจำนวนน้อยมาก ก็สามารถถ่ายโอนความสามารถในการปรับแต่งระหว่างโมเดลต่างๆ (หรือแม้แต่ข้ามตระกูลโมเดล เช่น จาก Qwen-3 ไปยัง Gemma-3) ได้อย่างรวดเร็ว
ในระหว่างการถ่ายโอน PorTAL จะคงการแสดงแทนงานและตัวถอดรหัสหลักไว้ ทำให้ต้นทุนข้อมูลและพลังการประมวลผลสำหรับการปรับตัวลดลงครึ่งหนึ่ง การทดสอบอย่างเป็นทางการแสดงให้เห็นว่าโซลูชันนี้สามารถฟื้นฟูประสิทธิภาพการเพิ่มความแม่นยำของ LoRA มาตรฐานได้ 94% ถึง 98% และมีประสิทธิภาพการสรุปทั่วไปที่ดีกว่าในระดับข้อมูลที่แตกต่างกัน
อย่างไรก็ตาม เฟรมเวิร์กนี้ยังอยู่ในช่วงเริ่มต้น Ramp ยังไม่ได้เปิดเผยโค้ดหรือน้ำหนักโมเดล และยังขาดการประเมินจากบุคคลที่สามที่เป็นอิสระ ข้อมูลการทดสอบในปัจจุบันเน้นไปที่โมเดลขนาดเล็กที่มีพารามิเตอร์ต่ำกว่า 8B เป็นหลัก ส่วนประสิทธิภาพการถ่ายโอนในโมเดลที่มีพารามิเตอร์ขนาดใหญ่หรืองานคำสั่งที่ซับซ้อนยังคงต้องรอการตรวจสอบเพิ่มเติม
