在过程工业中，经过验证的专业模型因传感器漂移、原料变化和状态切换而在新场景中系统性地退化。收集新的标记数据和重新训练成本高昂，而继续使用原始模型则会导致持续偏差。现有的适应方法需要通过足够的标记数据来修改模型参数，这使得在已部署系统上快速响应变得困难。使用大型语言模型（LLMs）作为直接预测器存在幻觉和不可控输出的风险，同时这些预测器也无法结合来自现场的非结构化场景知识。为了解决这些局限性，本文提出了专门模型的推理驱动开放自适应框架（ROAM），该框架利用LLM的世界知识和推理能力，在不重新训练的情况下，将冻结的专业模型适应于未见场景。ROAM将所有修正限制在一个低维且语义可解释的潜在空间中。LLM生成的场景判断与在线观察在统一的概率框架下融合。一个风险约束机制在不可靠的LLM证据或突发场景变化下抑制修正，并在证据不足时回退到原始冻结模型。实验结果显示，在矿物浓缩过程和公共的IndPenSim青霉素发酵数据集上，ROAM在主要变化设置（如隐藏变化）中，使用仅839个额外参数，将均方误差（MAE）降低了超过20\%，并且每步的开销低于0.02毫秒。这些结果表明，LLM推理可以转化为工业模型的保守适应信号。
博主点评： ROAM框架通过整合LLM的推理能力为工业模型提供了新的适应机制，其低维度潜在空间的使用有效降低了模型的复杂性和响应时间，显示出在动态环境中保持模型性能的潜力。这一进展不仅提高了模型的鲁棒性，也为未来的模型自适应研究开辟了新的方向。