Universal Domain Adaptation (UniDA) konzentriert sich darauf, Wissen aus einer Quelldomain auf eine Zieldomain zu übertragen, unter Berücksichtigung sowohl von Domänenverschiebung als auch von unbekannten Kategorienverschiebungen. Die zentrale Herausforderung liegt in der Identifizierung gemeinsamer Klassenmuster und deren Ausrichtung. Aktuelle Methoden gewinnen in der Regel Semantikzentren der Zieldomain aus einem ungehinderten, kontinuierlichen Bildrepräsentationsraum. Aufgrund der Domänenverschiebung und der unbekannten Anzahl an Clustern ergeben sich dabei oft komplexe und weniger robuste Ausrichtungsalgorithmen. In diesem Artikel suchen wir auf Basis von Vision-Sprache-Modellen Semantikzentren in einem semantisch sinnvollen und diskreten Textrepräsentationsraum. Der eingeschränkte Raum gewährleistet nahezu keine Domänenverzerrung und eine angemessene semantische Granularität dieser Zentren, was einen einfachen und robusten Adaptationsalgorithmus ermöglicht. Konkret schlagen wir TArget Semantics Clustering (TASC) mittels Textrepräsentationen vor, welches die Informationsmaximierung als einheitliches Ziel nutzt und zwei Phasen umfasst. Zunächst wird mit fixierten Encodern ein gierig basierter Suchansatz eingesetzt, um eine optimale Menge an Text-Embeddings zur Repräsentation der Zielsemantik zu finden. Anschließend werden die Encodern anhand der Suchergebnisse mittels Gradientenabstieg verfeinert, wodurch gleichzeitig eine robuste Domänenausrichtung und die Clusterung privater Klassen erreicht wird. Zudem präsentieren wir Universal Maximum Similarity (UniMS), eine speziell für die Erkennung von Open-Set-Proben in UniDA entwickelte Bewertungsfunktion. Experimentell evaluieren wir die Universalität von UniDA-Algorithmen unter vier unterschiedlichen Kategorienverschiebungsszenarien. Umfangreiche Experimente auf vier Benchmarks belegen die Wirksamkeit und Robustheit unseres Ansatzes, der eine state-of-the-art-Leistung erzielt.