硬碳（HC）是钠离子电池的主要负极候选材料，但其商业应用受到多种前体和制造不一致性导致的显著循环寿命变异性阻碍。通过长时间骑行来获得传统的终身资格，形成了关键瓶颈。虽然数据驱动方法承诺加速，但标准机器学习模型在应用于看不见的材料系统时，仍难以应对领域转移。本文提出一个实例加权转移少元自适应（IWT）框架，以克服这一限制。通过将一个在历史数据库上训练的全局退化模型锚定到距离目标单元格的简短几次样本校准集（例如 10 个周期），IWT 通过实例加权机制对齐预测轨迹。我们证明，该方法相比未适应的基线在不同高氯液电解质系统中降低了 71%以上的均方根误差。这项工作验证了 HC 阳极的长期命运实际上被编码在其初始电化学指纹中，提供了一种快速且数据高效的电池质量控制协议。