Zespół badaczy przeprowadził kompleksowy przegląd nienadzorowanego post-trainingu (UPT) - techniki adaptacji modeli fundamentalnych na danych bez etykiet, gdzie sygnał uczący pochodzi z samych artefaktów modelu zamiast od ludzi czy silniejszych nauczycieli. Katalogiem objęło 80 ścisłych metod UPT i stanowi pierwsze systematyczne spojrzenie na to pole.
Metody zostały podzielone na cztery kategorie według źródła sygnału ulepszającego model: statystyki predykcji (np. analizując własne wyjścia modelu), relacje między próbkami, cele autogenerowane przez model oraz wewnętrzne ewaluatory. To rozróżnienie jest kluczowe, bo pokazuje, że nie wszystkie podejścia są równoważne - część rzeczywiście poprawia jakość modelu, a część może prowadzić do rekursywnego wzmacniania błędów, gdy model uczy się od własnych, potencjalnie niepoprawnych predykcji.
Badanie wprowadza również ortogonalny framework łączący widoczność danych wejściowych (Input Visibility) i trwałość uaktualnień (Update Persistence), mapując różne reżimy wdrażania i oferując zunifikowaną perspektywę do wyboru oraz oceny metod UPT. To podejście ma praktyczne znaczenie - firmy mogą dzięki niemu wybierać najodpowiedniejsze metody do swoich scenariuszy bez konieczności ręcznego labelowania danych czy polegania na zewnętrznych modelach nauczycieli.