أصبحت الصور الرمزية الكريهة (Hateful Memes) مصدر قلق كبير على الإنترنت، مما يستدعي وجود أنظمة آلية قوية للكشف عنها. وعلى الرغم من أن النماذج متعددة الوسائط (LMMs) أظهرت إمكانات واعدة في كشف الصور الرمزية الكريهة، إلا أنها تواجه تحديات كبيرة مثل الأداء غير الأمثل وقدرات التعميم المحدودة خارج نطاق البيانات المستخدمة في التدريب. وتكشف الدراسات الحديثة عن حدود كل من التدريب المخصص (SFT) والتعلم السياقي (in-context learning) عند تطبيقهما على النماذج متعددة الوسائط في هذا السياق. وللتغلب على هذه المشكلات، نقترح إطارًا متكيفًا قويًا للكشف عن الصور الرمزية الكريهة، يُحسّن من دقة الكشف داخل النطاق (in-domain) والقدرة على التعميم عبر النطاقات المختلفة، مع الحفاظ على القدرات العامة للرؤية واللغة الخاصة بالنماذج متعددة الوسائط. وقد أظهرت التجارب على ستة مجموعات بيانات تصنيف الصور الرمزية أداءً متقدمًا جدًا، يتفوق على الأنظمة الأكبر حجمًا التي تعتمد على الذكاء الوكلي (agentic systems). علاوةً على ذلك، تُنتج طريقةنا تبريرات ذات جودة أعلى لتفسير المحتوى الكريه مقارنة بالتدريب المخصص القياسي، مما يعزز شفافية النموذج وقابلية تفسيره.