يهدف التعميم على المجال (Domain Generalization (DG)) إلى تدريب نماذج تؤدي بأداء جيد ليس فقط على مجالات التدريب (المجالات المصدرية)، ولكن أيضًا على توزيعات بيانات هدف جديدة وغير مُشاهدَة. ويمثل التحدي الرئيسي في DG هو منع التكيف المفرط مع المجالات المصدرية، والذي يمكن تخفيفه من خلال العثور على مناطق مسطحة (flatter minima) في هندسة دالة الخسارة. في هذه الدراسة، نقترح طريقة تُسمى التدريب المُدرك للترميز (Quantization-aware Training for Domain Generalization (QT-DoG))، ونُظهر أن ترميز الأوزان يؤدي فعّالاً إلى تحقيق مناطق مسطحة في هندسة دالة الخسارة، مما يعزز التعميم على المجالات. على عكس الطرق التقليدية لتقليل الحجم (model compression) التي تركز على تقليل حجم النموذج، يستغل QT-DoG الترميز كعامل تنظيم ضمني من خلال إدخال ضجيج (noise) في أوزان النموذج، مما يوجه عملية التحسين نحو مناطق مسطحة تكون أقل حساسية للتغيرات الصغيرة والتأقلم المفرط. ونقدم إشارات نظرية ودليلًا تجريبيًا يُظهر أن الترميز يشجع بشكل جوهري على ظهور مناطق مسطحة، ما يؤدي إلى تحسين التعميم عبر المجالات. علاوةً على ذلك، وبفضل فائدة تقليل حجم النموذج الناتجة عن الترميز، نُظهر أن تجميع عدة نماذج مُرمَّزة يحقق دقة أعلى من الطرق الرائدة في مجال التعميم على المجالات، دون أي تكلفة إضافية من حيث الحوسبة أو الذاكرة. وتشير تجاربنا الواسعة إلى أن QT-DoG يُظهر أداءً متفوقًا عبر مجموعة متنوعة من مجموعات البيانات والهياكل المعمارية وتقنيات الترميز، ويمكن دمجه مع طرق أخرى في التعميم على المجالات، مما يؤكد مرونته وقوته المقاومة.