نظام التعرف على العالم الحقيقي غالبًا ما يواجه تحدي العلامات غير المُشاهَدة. لتحديد هذه العلامات غير المُشاهَدة، تركز تقنيات التعلم الصفرية متعددة العلامات (ML-ZSL) على نقل المعرفة باستخدام تمثيل علامات نصية مُدربة مسبقًا (مثل GloVe). ومع ذلك، فإن مثل هذه الطرق تستغل فقط معرفة أحادية النمط من نموذج اللغة، بينما تتجاهل المعلومات الدلالية الغنية التي تتضمنها أزواج الصور والنصوص. بدلاً من ذلك، نجحت الطرق المستندة إلى المفردات المفتوحة (OV) التي تم تطويرها مؤخرًا في استغلال هذه المعلومات لأزواج الصور والنصوص في اكتشاف الأشياء، وحققت أداءً مثيرًا للإعجاب. مستوحىً من نجاح الطرق المستندة إلى المفردات المفتوحة، نقترح إطار عمل جديد مستند إلى المفردات المفتوحة يُسمى نقل المعرفة متعدد النماذج (MKT) للتصنيف متعدد العلامات.بشكل خاص، يستغل طريقة MKT لدينا معرفة متعددة النماذج لأزواج الصور والنصوص بناءً على نموذج التدريب السابق للرؤية واللغة (VLP). لتسهيل نقل قدرة VLP على مطابقة الصور والنصوص، يتم استخدام تقنية التقطير المعرفي لضمان اتساق تمثيلات الصور والعناوين، مع ضبط الإرشادات لتحديث تمثيلات العناوين بشكل أكبر. لتمكين التعرف على عدة أشياء بشكل أكبر، تم تطوير وحدة ثنائية البُنى بسيطة ولكن فعالة لتجميع الخصائص المحلية والعالمية.تظهر النتائج التجريبية الواسعة أن طريقة MKT الخاصة بنا تتفوق بشكل كبير على أفضل الطرق الحالية في مجموعة بيانات الاختبار المرجعية العامة. يمكن الحصول على الكود المصدر من الرابط: https://github.com/sunanhe/MKT.