Исследователи представляют параметрически эффективную адаптацию CLIP для долгосрочной повторной идентификации животных, которая решает проблемы, вызванные постепенной морфологической эволюцией и сезонными изменениями внешнего вида. Метод вводит механизм непрерывного условного управления метаданными, который включает числовые атрибуты непосредственно в представление промпта во время обучения, сохраняя их структуру, а не дискретизируя.

-框架结合低秩视觉适应、基于提示的监督和多模态对齐，使CLIP适用于生态场景。 -连续元数据条件允许在测试时保持纯视觉推理管道的同时平滑调节嵌入空间。 -在长达七年的纵向鱼类数据集和多个野生动物基准上的实验表明，在封闭集、开放集和时间感知评估协议下性能有所提升。

该方法提高了对长期外观变化和时间分布偏移的鲁棒性，而无需在推理期间使用元数据。