يقدم المؤلفون CARD، وهو نموذج لتوليد تسميات صوتية بدون مشفر يلغي تكلفة الاستدلال الخاصة بمشفرات الصوت المجمدة باستخدام مشروع بحجم 13.2M لإمداد نموذج لغوي كبير (LLM) مجمّد بمعدّلات LoRA المدمجة.
- يقوم CARD بتقليم معلم CLAP-HTSAT المُدرَّب مسبقًا داخل النظام بدلاً من الاعتماد على المشفر أثناء الاستدلال.
- توجه الطريقة المراحل الإدراكية إلى المشروع والمراحل الدلالية إلى LLM.
- يحسّن هذا النهج CIDEr-D بمقدار +12.18 مقارنة بنموذج مُدرَّب فقط على LLM على مجموعة AudioCaps.
- يحقق نتيجة 55.4 على مجموعة Clotho، مقارنة بحد أعلى قدره 66.4 عند الاحتفاظ بالمشفر.
تُظهر هذه الدراسة أن وضع معرفة المعلم بشكل استراتيجي عبر المكونات يهم بقدر أهمية وجودها للأداء.