في عالم الذكاء الاصطناعي، تلعب نماذج اللغات الضخمة (Large Language Models) دورًا محوريًا في تطوير التطبيقات الحديثة، وتعد نماذج التوزيع الكبيرة (Diffusion Large Language Models) واحدة من الابتكارات الواعدة في هذا المجال. تقدم هذه النماذج مزايا نظرية في التوليد المتوازي مقارنة بالنماذج التقليدية المعتمدة على الاسترجاع الآلي، لكن التوليد المتوازي وحده لا يضمن تحقيق زيادة عملية في السرعة.

لتحقيق الكفاءة المطلوبة، يتعين تنفيذ آليات استدلال متخصصة، مثل التخزين المؤقت المدرك للتوزيع وإعادة الاستخدام. في الآونة الأخيرة، برزت أبحاث جديدة تسلط الضوء على تقنيات التسريع التي تشمل خوارزميات ونماذج معمارية وأنظمة متكاملة. ولكن، يعد من الصعب إجراء مقارنات دقيقة، حيث أن زمن الاستجابة النهائي يتأثر بعوامل معقدة ترتبط بالخوارزميات، والهندسة المعمارية، والعوامل النظامية.

من خلال هذه الدراسة، نقدم إطارًا موحدًا لتفكيك زمن الاستدلال لنماذج التوزيع الكبيرة، وتحليل تأثير هذه العوامل على سرعة الاستدلال في التطبيقيات الحقيقية. بناءً على هذا الإطار، قمنا بتصنيف تقنيات التسريع على ثلاثة محاور: الابتكارات الخوارزمية، التحسينات المعمارية والنظامية، وتوسيع زمن الاستدلال.

في النهاية، توفر الدراسة إرشادات لقياس الأداء بشكل يمكن تكراره، وتسليط الضوء على التحديات المفتوحة لتحقيق الإمكانيات الكاملة للتوليد المتوازي، مما يمكن أن يحدث ثورة في كيفية استخدام نماذج اللغات الضخمة في مختلف المجالات.