🤖 AI

Multimodal Knowledge Edit-Scoped Generalization for Online Recursive MLLM Editing

यह शोध पत्र ScopeEdit प्रस्तुत करता है, जो मल्टीमॉडल लार्ज लैंग्वेज मॉडल्स के लिए एक ऑनलाइन एडिटर है जो अपडेट को ऑर्थोगोनल लो-रैंक स्पेस के भीतर मोडैलिटी-लोकल और एविडेंस-गेटेड शेयर्ड ब्रांचेस में विघटित करके एडिट-स्कोपेड जनरलाइजेशन प्राप्त करता है, जिससे स्थिर क्रॉस-मोडल नॉलेज ट्रांसफर सुनिश्चित होता है और साथ ही सिमेंटिक बाउंड्रीज़ को सख्ती से नियंत्रित करते हुए निरंतर कंप्यूटेशनल ओवरहेड बनाए रखा जाता है।

मूल लेखक: Siyuan Li, Youyuan Zhang, Ruitong Liu, Junxi Wang, Jing Li

प्रकाशित 2026-07-03

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Siyuan Li, Youyuan Zhang, Ruitong Liu, Junxi Wang, Jing Li

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

यहाँ "Multimodal Knowledge Edit-Scoped Generalization for Online Recursive MLLM Editing" (जो ScopeEdit को पेश करता है) का सरल भाषा और रचनात्मक उपमाओं (analogies) का उपयोग करके दिया गया स्पष्टीकरण है।

बड़ी तस्वीर: एक रोबोट को बिना बिगाड़े सिखाना

कल्पना कीजिए कि आपके पास एक बहुत ही बुद्धिमान रोबट सहायक (एक मल्टीमॉडल लार्ज लैंग्वेज मॉडल, या MLLM) है जो दुनिया के बारे में बहुत कुछ जानता है। वह तस्वीरें देख सकता है और टेक्स्ट पढ़ सकता है। लेकिन कभी-कभी, रोबोट गलतियाँ करता है। हो सकता है कि वह सोचता हो कि एक विशिष्ट बाइक लाल है, लेकिन आप उसे एक नीली बाइक की तस्वीर दिखाते हैं और कहते हैं, "नहीं, यह नीली है।"

ऑनलाइन नॉलेज एडिटिंग (Online Knowledge Editing) का लक्ष्य रोबोट को यह नया तथ्य अभी सिखाना है, बिना पूरे रोबोट को फिर से प्रशिक्षित (retrain) किए (जिसमें बहुत समय लगेगा और बहुत खर्च आएगा)।

हालाँकि, पिछले तरीकों में दो बड़ी समस्याएँ थीं:

"ओवर-जनरलाइजेशन" (Over-Generalization) की समस्या: आप रोबोट को बताते हैं, "वह बाइक नीली है।" वह इसे सीख लेता है, लेकिन फिर वह यह भी तय कर लेता है कि दुनिया की हर बाइक नीली है, या यहाँ तक कि नीली कारें भी नीली बाइक हैं। यह नए तथ्य को उन चीजों तक फैला देता है जिन्हें यह प्रभावित नहीं करना चाहिए।
"अंडर-जनरलाइजेशन" (Under-Generalization) की समस्या: आप रोबोट को बताते हैं, "वह बाइक नीली है।" वह इसे उस विशिष्ट तस्वीर के लिए सीख लेता है। लेकिन यदि आप उसे उसी नीली बाइक की एक अलग तस्वीर दिखाते हैं, या पूछते हैं, "इस फोटो में बाइक का रंग क्या है?" तो वह सबक भूल जाता है और कहता है, "मुझे नहीं पता।" वह समान स्थितियों में सबक लागू करने में विफल रहता है।

इस पेपर के लेखकों ने महसूस किया कि केवल रोबोट को विशिष्ट प्रश्न पर "सही" बनाना पर्याप्त नहीं है। हमें यह नियंत्रित करने की आवश्यकता है कि वह नया ज्ञान कहाँ फैलेगा। वे इसे "एडिट-स्कोपड जनरलाइजेशन" (Edit-Scoped Generalization) कहते हैं।

समाधान: ScopeEdit (एक "स्मार्ट लाइब्रेरियन")

लेखक ScopeEdit नामक एक नया सिस्टम प्रस्तावित करते हैं। इसे समझने के लिए, कल्पना करें कि रोबोट का मस्तिष्क एक विशाल पुस्तकालय है जिसमें दो प्रकार की अलमारियाँ हैं:

1. "लोकल एब्जॉर्प्शन" ब्रांच (निजी नोटबुक)

इसे रोबोट द्वारा विशिष्ट, अलग तथ्यों के लिए रखी जाने वाली एक निजी नोटबुक के रूप में सोचें।

यह कैसे काम करता है: जब आप रोबोट को किसी विशिष्ट छवि के बारे में सुधारते हैं, तो यह ब्रांच उस सुधार को लिख लेती है।
लक्ष्य: यह सुनिश्चित करना कि रोबोट उस विशिष्ट स्थिति के लिए सुधार को याद रखे बिना अपने अन्य ज्ञान के साथ गड़बड़ी न करे। यह एक विशिष्ट पुस्तक पर नोट लिखने जैसा है ताकि आप उसे भूल न जाएं, लेकिन आप पूरे लाइब्रेरी कैटलॉग को नहीं बदलते।

2. "शेयर्ड जनरलाइजेशन" ब्रांच (सार्वजनिक बुलेटिन बोर्ड)

यह वह जगह है जहाँ रोबोट यह तय करता है कि क्या नया तथ्य समान स्थितियों के साथ साझा किया जाना चाहिए।

समस्या: यदि रोबोट सब कुछ बुलेटिन बोर्ड पर पोस्ट करने लगता है, तो वह गलती से "नीली बाइक" को "नीली कारों" के बगल में पोस्ट कर सकता है।
समाधान (गेटकीपर): ScopeEdit एक स्मार्ट गेटकीपर (Gatekeeper) जोड़ता है। इससे पहले कि रोबोट सार्वजनिक बोर्ड पर सुधार पोस्ट करे, गेटकीपर दो चीजें जाँचता है:
- दिशा (Direction): क्या टेक्स्ट ("यह नीला है") और इमेज (नीली बाइक की तस्वीर) एक दूसरे से सहमत हैं?
- शक्ति (Strength): क्या टेक्स्ट और इमेज दोनों में साक्ष्य पर्याप्त मजबूत हैं?
परिणाम: यदि टेक्स्ट और इमेज दृढ़ता से सहमत हैं, तो गेटकीपर दरवाजा खोल देता है, और तथ्य समान प्रश्नों (जैसे, "इस फोटो में बाइक का रंग क्या है?") तक फैल जाता है। यदि वे सहमत नहीं हैं, तो गेटकीपर दरवाजा बंद रखता है, और तथ्य निजी नोटबुक में ही रहता है। यह रोबोट को गलत या भ्रमित जानकारी फैलाने से रोकता है।

यह कुशल कैसे रहता है (द "लो-रैंक" ट्रिक)

आप सोच सकते हैं, "यदि रोबोट हर सेकंड नई चीजें सीख रहा है, तो क्या उसका मस्तिष्क बहुत भर नहीं जाएगा?"

पेपर एक चतुर गणितीय ट्रिक का उपयोग करता है जिसे लो-रैंक राइटिंग (Low-Rank Writing) कहा जाता है।

उपमा: कल्पना कीजिए कि रोबोट का मस्तिष्क एक विशाल, भारी विश्वकोश (encyclopedia) है। हर बार जब आप उसे एक नया तथ्य सिखाते हैं, तो पूरे किताब को फिर से लिखने के बजाय, ScopeEdit स्टिकर नोट सिस्टम का उपयोग करता है।
यह केवल छोटे, विशिष्ट स्टिकी नोट्स (low-rank spaces) पर लिखता है जो विशिष्ट पृष्ठों से जुड़े होते हैं।
यह इन स्टिकी नोट्स को तुरंत अपडेट करने के लिए एक विशेष "रिकर्सिव" (recursive) तरीके का उपयोग करता है (एक स्मार्ट कैलकुलेटर की तरह) बिना पूरे विश्वकोश को फिर से पढ़े।
लाभ: आप रोबोट को कितने भी तथ्य सिखाएं (10, 100, या 1,000), एक नया तथ्य जोड़ने में लगने वाला समय समान रहता है। यह धीमा या भारी नहीं होता।

प्रयोगों ने क्या दिखाया

लेखकों ने विभिन्न रोबोट दिमागों (विभिन्न AI मॉडल) और कई परिदृश्यों में ScopeEdit का परीक्षण किया:

बेहतर संतुलन: ScopeEdit "गोल्डिलॉक्स" (Goldilocks) ज़ोन खोजने में बहुत बेहतर था। इसने रोबोट की गलतियों को सुधारा बिना उसके असंबंधित तथ्यों को भुलाए (Locality) और बिना समान प्रश्नों पर लागू करने में विफल हुए (Generalization)।
स्थिरता (Stability): जब उन्होंने रोबोट को लगातार 100 नए तथ्य सिखाए, तो पुराने तरीके भ्रमित होने लगे और चीजें भूलने लगे। ScopeEdit स्थिर रहा और इसमें कोई "ड्रिफ्ट" (भ्रमित होना) नहीं हुआ।
वास्तविक दुनिया का परीक्षण: उन्होंने इसे वास्तविक दुनिया के डेटासेट (VLKEB) पर टेस्ट किया जिसमें अव्यवस्थित, प्राकृतिक भाषा और चित्र थे। ScopeEdit अभी भी प्रतिस्पर्धा से बेहतर काम करता रहा, जिससे साबित हुआ कि यह केवल लैब की ट्रिक नहीं है।
विभिन्न मॉडल: उन्होंने विभिन्न प्रकार के रोबोट दिमागों (जैसे Qwen और LLaVA) पर इसे आजमाया, और यह उन सभी पर अच्छी तरह काम किया, जो बताता है कि यह "स्कोप कंट्रोल" का विचार इन प्रकार के AI के लिए एक सार्वभौमिक समाधान है।

सारांश

सरल शब्दों में, ScopeEdit AI मॉडल को अपडेट करने का एक नया तरीका है जो एक सख्त लेकिन स्मार्ट शिक्षक की तरह कार्य करता है।

यह सुनिश्चित करता है कि AI सुधार को सीख ले।
यह चेक करता है कि क्या सुधार चित्र और शब्दों दोनों में तर्कसंगत है, इससे पहले कि वह AI को समान प्रश्नों के लिए वह ज्ञान साझा करने दे।
यह सुधार को असंबंधित विषयों में लीक होने से रोकता है।
यह यह सब तेजी से करता है, बिना AI को धीमा किए, चाहे कितने भी सबक सिखाए जाएं।

पेपर का दावा है कि यह AI अपडेट की उस समस्या को हल करता है जहाँ अपडेट या तो बहुत कठोर होते हैं (केवल एक विशिष्ट प्रश्न पर काम करते हैं) या बहुत अराजक (चीजों को बदल देते हैं जिन्हें उन्हें नहीं बदलना चाहिए)।

तकनीकी सारांश: ऑनलाइन रिकर्सिव MLLM एडिटिंग के लिए मल्टीमॉडल नॉलेज एडिट-स्कोपेड जनरलाइजेशन

1. समस्या की परिभाषा और प्रेरणा

ऑनलाइन मल्टीमॉडल नॉलेज एडिटिंग का लक्ष्य मल्टीमॉडल लार्ज लैंग्वेज मॉडल्स (MLLMs) में बिना रिट्रेनिंग के विजुअल-टेक्स्टुअल सुधारों की एक निरंतर धारा को इंजेक्ट करना है, जबकि असंबंधित क्षमताओं को सुरक्षित रखना है। जबकि मौजूदा विधियाँ एडिट रिलायबिलिटी (विशिष्ट अनुरोध को ठीक करना) और लॉन्ग-होराइजन स्टेबिलिटी (कैटास्ट्रोफिक फॉरगेटिंग को रोकना) को प्राथमिकता देती हैं, वे प्रत्येक एडिट के सिमेंटिक बाउंड्री (अर्थ संबंधी सीमा) की काफी हद तक उपेक्षा करती हैं।

लेखक वर्तमान दृष्टिकोणों में एक महत्वपूर्ण "स्कोप गैप" की पहचान करते हैं:

अंडर-जनरलाइजेशन (Under-generalization): विश्वसनीय एडिट अक्सर सिमेंटिक रूप से समान क्रॉस-मोडल वेरिएंट्स (जैसे, एक टेक्स्ट एडिट पैराफ्रेज किए गए प्रश्न या संबंधित इमेज के प्रति मॉडल की प्रतिक्रिया को अपडेट करने में विफल रहता है) में स्थानांतरित होने में विफल रहते हैं।
ओवर-जनरलाइजेशन (Over-generalization): एडिट अक्सर असंबंधित इनपुट्स में "लीक" हो जाते हैं, जिससे उन व्यवहारों में बदलाव आता है जिन्हें बरकरार रहना चाहिए।
मैकेनिज्म (Mechanism): पायलट विश्लेषण प्रकट करते हैं कि एडिट-संबंधित क्रॉस-मोडल रिस्पॉन्स गहरे सिमेंटिक लेयर्स में केंद्रित होते हैं जहाँ विजुअल और टेक्स्टुअल टोकन्स सिंक्रोनाइज्ड एनर्जी पीक्स दिखाते हैं। हालाँकि, वर्तमान एडिटर्स इन अपडेट्स के प्रसार को स्पष्ट रूप से नियंत्रित नहीं करते हैं, जिससे या तो अपर्याप्त जनरलाइजेशन या अनचाहा लीकेज होता है।

पेपर एडिट-स्कोपेड जनरलाइजेशन को एक नए मानदंड के रूप में फॉर्म्युलेट करता है, जिसके लिए आवश्यक है कि एडिट किया गया ज्ञान केवल अपने इच्छित सिमेंटिक क्षेत्र के भीतर ही सामान्य (generalize) हो (इन-स्कोप क्रॉस-मोडल जनरलाइजेशन) जबकि यह असंrelated इनपुट्स के लिए अदृश्य बना रहे (आउट-ऑफ-स्कोप लोकैलिटी प्रिजर्वेशन)।

2. कार्यप्रणाली: ScopeEdit

लेखक ScopeEdit का प्रस्ताव करते हैं, जो एक ऑनलाइन एडिटर है जिसे स्कोप-अवेयर टू-ब्रांच अपडेट फ्रेमवर्क के माध्यम से एडिट के प्रसार की सीमा को नियंत्रित करने के लिए डिज़ाइन किया गया है।

मुख्य आर्किटेक्चर

ScopeEdit प्रत्येक लेयर $l$ पर प्रत्येक अपडेट को दो कार्यात्मक रूप से अलग ब्रांचेस में विभाजित करता है जो ऑर्थोगोनल लो-रैंक सबस्पेस में संचालित होती हैं:

मोडैलिटी-लोकल एब्जॉर्प्शन ब्रांच ( $\Delta W_{loc}$ ):
- कार्य: हमेशा सक्रिय। विशिष्ट मोडैलिटी-लोकल कॉन्टेक्स्ट के स्थिर, विश्वसनीय एडिटिंग के लिए जिम्मेदार।
- लक्ष्य: यह सुनिश्चित करना कि मूल अनुरोध के लिए एडिट सही ढंग से अवशोषित हो जाए जबकि आउट-ऑफ-स्कोप लोकैलिटी को सुरक्षित रखा जा सके।
- ज्यामिति (Geometry): एक फिक्स्ड लो-रैंक बेसिस $A_{loc}$ का उपयोग करता है और केवल टेक्स्टुअल कॉन्टेक्स्ट से ऐतिहासिक सांख्यिकी (statistics) को संचित करता है।
एविडेंस-गेटेड शेयर्ड जनरलाइजेशन ब्रांच ( $\Delta W_{sh}$ ):
- कार्य: सशर्त रूप से सक्रिय। सिमेंटिक रूप से वैध क्रॉस-मोडल वेरिएंट्स तक एडिट को प्रसारित करने के लिए जिम्मेदार।
- लक्ष्य: केवल तभी इन-स्कोप क्रॉस-मोडल जनरलाइजेशन सक्षम करना जब पर्याप्त सिमेंटिक साक्ष्य मौजूद हों।
- मैकेनिज्म: एक फिक्स्ड लो-रैंक बेसिस $A_{sh}$ का उपयोग करता है जो $A_{loc}$ के ऑर्थोगोनल है। यह विजुअल और टेक्स्टुअल दोनों इनपुट्स से प्राप्त गेटेड क्रॉस-मोडल सांख्यिकी को संचित करता है।

स्कोप एक्टिवेशन गेट

शेयर्ड ब्रांच केवल तभी सक्रिय होती है जब विजुअल और टेक्स्टुअल साक्ष्य डायरेक्शनली अलाइन्ड (दिशात्मक रूप से संरेखित) और कंपैरेबली सपोर्टेड (तुलनात्मक रूप से समर्थित) होते हैं। गेट $\gamma_t^{(l)}$ की गणना निम्नलिखित के आधार पर की जाती है:

डायरेक्शनल एग्रीमेंट: शेयर्ड सबस्पेस में प्रोजेक्टेड टेक्स्ट और विजन कीज़ के बीच कोसाइन सिमिलैरिटी।
बायलेटरल सपोर्ट: प्रोजेक्टेड कीज़ की न्यूनतम और अधिकतम ऊर्जा का अनुपात।
यदि गेट वैल्यू कम है (जो संघर्ष या कमजोर साक्ष्य का संकेत देता है), तो शेयर्ड ब्रांच को दबा दिया जाता है, जिससे एडिट को असंबंधित कॉन्टेक्स्ट में फैलने से रोका जा जाता है।

रिकर्सिव ऑनलाइन अपडेट्स

प्रति-एडिट ओवरहेड को स्थिर रखने और इंटर-एडिट इंटरफेरेंस को रोकने के लिए:

ऑर्थोगोनल डिकंपोजिशन: कुल रैंक बजट $r$ को $r_\ell$ (लोकल) और $r_s$ (शेयर्ड) में विभाजित किया जाता है। बेसिस $A_{loc}$ और $A_{sh}$ फिक्स्ड और ऑर्थोगोनल हैं ( $A_{loc}A_{sh}^\top = 0$ )।
शेरमैन-मोरिसन रिकर्सन: दोनों ब्रांचेस शेरमैन-मोरिसन लेम्मा का उपयोग करके अपने स्वयं के रिकर्सिव प्रीकंडिशनर ( $P_{loc}$ और $P_{sh}$ ) बनाए रखती हैं। यह प्रति एडिट $O(r^2)$ अपडेट की अनुमति देता है, जो एडिट स्ट्रीम की लंबाई $t$ से स्वतंत्र है, जिससे स्पष्ट मैट्रिक्स इनवर्जन या पिछले एडिट इंस्टेंस को स्टोर करने की आवश्यकता नहीं होती है।

3. मुख्य योगदान

एडिट-स्कोपेड जनरलाइजेशन का फॉर्मूलेशन: पेपर एक सिद्धांत आधारित मानदंड को परिभाषित करता है जो उचित क्रॉस-मोडल ट्रांसफर को अनचाहे लीकेज से अलग करता है। पायलट विश्लेषण दर्शाते हैं कि केवल रिलायबिलिटी पर्याप्त नहीं है, क्योंकि विश्वसनीय एडिट्स अभी भी अंडर-जनरलाइजेशन (28.60%) और ओवर-जनरलाइजेशन (7.20%) प्रदर्शित कर सकते हैं।
ScopeEdit फ्रेमवर्क: एक अभिनव ऑनलाइन एडिटर जो अपडेट को मोडैलिटी-लोकल एब्जॉर्प्शन ब्रांच और एक एविडेंस-गेटेड शेयर्ड जनरलाइजेशन ब्रांच में विभाजित करता है। यह ऑर्थोगोनल लो-रैंक राइट ज्योमेट्री और ब्रांच-वाइज रिकर्सिव प्रीकंडिशनर का उपयोग करके निरंतर प्रति-एडिट ओवरहेड प्राप्त करता है।
व्यापक मूल्यांकन: विविध बेंचमार्क्स (E-VQA, E-IC, VLKEB), लंबे एडिट स्ट्रीम (100 एडिट्स तक), और कई MLLM बैकबोन (BLIP2-OPT, LLaVA-v1.5, Qwen2-VL, Qwen3-VL) पर विस्तृत प्रयोग।

4. प्रायोगिक परिणाम

ScopeEdit का मूल्यांकन स्टेट-ऑफ-द-आर्ट पैरामीटर-मॉडिफाइंग (जैसे, M-ORE, FT, MEND) और पैरामीटर-प्रिजर्विंग (जैसे, SERAC, LiveEdit) एडिटर्स के विरुद्ध किया गया।

परफॉरमेंस बैलेंस: ScopeEdit लगातार इन-स्कोप क्रॉस-मोडल जनरलाइजेशन और आउट-ऑफ-स्कोप लोकैलिटी के बीच सबसे अच्छा ट्रेड-ऑफ हासिल करता है। उदाहरण के लिए, 100 एडिट्स के साथ LLaVA-v1.5 पर, ScopeEdit ने हाई लोकैलिटी बनाए रखते हुए मल्टीमॉडल जनरैलिटी (M-Gen) को 78.29 (M-ORE) से बढ़ाकर 86.35 कर दिया।
लॉन्ग-होराइजन स्टेबिलिटी: MEND जैसे तरीकों के विपरीत, जो 100 एडिट्स के बाद महत्वपूर्ण रिप्रेजेंटेशन ड्रिफ्ट और लोकैलिटी डिग्रेडेशन दिखाते हैं, ScopeEdit स्थिर हिडन-स्टेट डिस्ट्रीब्यूशन बनाए रखता है और ऑर्थोगोनल सबस्पेस के कारण वेट एंटैंगलमेंट कम रहता है।
दक्षता (Efficiency): ScopeEdit निरंतर प्रति-एडिट लेटेंसी (~0.93s) और मेमोरी ओवरहेड प्राप्त करता है, जो स्ट्रीम की लंबाई $t$ से स्वतंत्र है, जो AlphaEdit जैसे डेंस प्रोजेक्शन मेथड्स से बेहतर प्रदर्शन करता है।
रियल-वर्ल्ड एप्लिकेबिलिटी: VLKEB बेंचमार्क (रियल-वर्ल्ड विजन-लैंग्वेज नॉलेज एडिटिंग) पर, ScopeEdit ने फाइन-ट्यूनिंग और मेमोरी-बेस्ड मेथड्स की तुलना में बेहतर पोर्टेबिलिटी और स्थिरता प्रदर्शित की।
आर्किटेक्चर जनरलाइजेशन: यह विधि जटिल आर्किटेक्चर (Qwen2-VL, Qwen3-VL) तक सामान्य होती है और इसे विजन-साइड मॉड्यूल्स को एडिट करने के लिए विस्तारित किया जा सकता है, जिससे क्रॉस-मोडल जनरलाइजेशन और बढ़ जाता है।

5. महत्व और दावे

पेपर दावा करता है कि एडिट-स्कोपेड जनरलाइजेशन ऑनलाइन MLLM एडिटिंग का एक आवश्यक और विशिष्ट आयाम है, जो रिलायबिलिटी और स्टेबिलिटी से अलग है। लेखक तर्क देते हैं कि:

विश्वसनीय एडिट्स सही सिमेंटिक बाउंड्री की गारंटी नहीं देते; प्रसार पर स्पष्ट नियंत्रण की आवश्यकता है।
प्रस्तावित ScopeEdit मैकेनिज्म प्रभावी रूप से लोकल एब्जॉर्प्शन को क्रॉस-मोडल जनरलाइजेशन से अलग करता है, जिससे मॉडल को असंबंधित इनपुट्स में लीक हुए बिना वैध वेरिएंट्स तक सामान्य होने की अनुमति मिलती है।
ऑर्थोगोनल लो-रैंक स्पेस और एविडेंस गेटिंग का उपयोग एक सैद्धांतिक रूप से सुदृढ़ और अनुभवजन्य रूप से कुशल समाधान प्रदान करता है, जो प्लास्टिसिटी (नया तथ्य सीखना) और स्टेबिलिटी (पुराना ज्ञान सुरक्षित रखना) के बीच एक अनुकूल संतुलन प्रदान करता है।

निष्कर्षतः, ScopeEdit ऑनलाइन मल्टीमॉडल एडिटिंग के लिए एक व्यापक रूप से लागू होने योग्य सिद्धांत प्रदान करता है, जो MLLMs को अधिक विश्वसनीय और स्केलेबल लाइफलॉन्ग नॉलेज अडैप्टेशन का समर्थन करने में सक्षम बनाता है।