تُعنى دراسات التعميم النطاقي بمشكلة تدريب نموذج باستخدام عينات من عدة نطاقات (أو توزيعات) ثم اختبار النموذج باستخدام عينات من نطاق جديد غير مرئي. في هذه الورقة، نقترح منهجية جديدة لحل مشكلة التعميم النطاقي، تُستخدَم فيها التطورات الحديثة في النماذج البصرية-اللغوية الكبيرة، وبشكل خاص نموذج المعلم CLIP، لتدريب نموذج أصغر يتمتع بقدرة تعميم على النطاقات غير المرئية. يتمثل الإسهام التقني الرئيسي في نوع جديد من الت régularisation (الاستقرار) يتطلب أن تكون التمثيلات الصورية المُكتسبة من قبل الطالب قريبة من التمثيلات النصية المُكتسبة من قبل المعلم، والتي تُستخلص من ترميز وصفات نصية مُقابلة للصور. ونقدّم تصميمين لدالة الخسارة: المسافة المطلقة والمسافة النسبية، اللذين يقدّمان توجيهات محددة حول كيفية تطبيق الاستقرار على عملية تدريب نموذج الطالب. قمنا بتقييم المنهجية المقترحة، والتي أطلقنا عليها اسم RISE (الاستقرار المنتظم مع التمثيلات الدلالية)، على مجموعة متنوعة من مجموعات البيانات القياسية، وأظهرنا أن أداؤها يفوق عدة طرق حديثة متقدمة في مجال التعميم النطاقي. إلى حد علمنا، تُعدّ هذه الدراسة أول عمل يستخدم عملية انتقال المعرفة (Knowledge Distillation) باستخدام نموذج بصري-لغوي كبير لحل مشكلة التعميم النطاقي. وبدمج المعلومات القائمة على النصوص، يُحسّن RISE قدرة النماذج على التعلم الآلي على التعميم.