사전 훈련된 모델 편집의 어려움, 특히 높은 계산 비용과 확장성의 제약을 해결하기 위해 태스크 산술(task arithmetic)을 활용한다. 최적화 정체의 극복을 위해 최적화 과정의 움직임에서 파생된 차이 벡터(difference vector)를 도입하고, 이를 기반으로 DV-BASI(Difference Vector-based Anisotropic Scaling Iterative algorithm)를 제안한다. DV-BASI는 추가적인 모듈 없이 태스크 산술 방법의 지속적인 최적화를 가능하게 하며, 개별적으로 미세 조정된 모델보다 더 나은 성능을 달성할 수 있다. 또한, 단일 태스크 모델의 미세 조정에도 적용 가능하며, 적은 수의 학습 가능한 파라미터로 표현력 있는 검색 방향을 제공하는 확장 가능한 프레임워크를 구성한다. DV-BASI를 태스크 산술 방법 및 고급 최적화 기술과 통합하여 감독 및 비감독 평가 프로토콜 모두에서 최첨단 성능을 달성했다.
