في عالم الذكاء الاصطناعي، تظهر نماذج الانتشار كأحد الابتكارات الرائدة في أساليب التوليد. لكن يبقى التساؤل الأهم: كيف يمكننا تسريع هذه النماذج لتحسين أدائها؟ هنا تأتي فكرة المُولد المتوسط المتقطع (Discrete Average Generator)، والذي يُعتبر توسيعًا مبتكرًا لنموذج MeanFlow المقبل في وقت سلسلة ماركوف المستمر (Continuous-Time Markov Chains - CTMCs).

التحليل الأساسي لهذا المفهوم يعتمد على تحديد حقل سرعة متوسط في فترات زمنية معينة، مما يتيح لنا إنشاء مولد متوسط يتماشى مع تلك النسخ المتقطعة لنماذج الانتشار. تم إثبات أن هذا المولد المتوسط يلبي هوية التناسق الذاتي، التي تُعد حجر الزاوية في أهداف تدريبنا.

من خلال تطوير استراتيجيات تدريب تتماشى مع النماذج التقليدية وتبقي الأهداف سهلة المنال، جاء تأثير المُولد المتوسط المتقطع ليخفيض المسافة الإجمالية للتغير لعيّنة K-خطوة بنسبة تصل إلى 67%.

وعند تنفيذه على سلاسل بيانات OpenWebText، أظهر أسلوبنا أدنى تقلبات توليدية بين الطرق المتاحة، حيث تمت تعزيز المعالجة بسرعة 16 ضعف، مستعرضةً أداءً مشابهًا للطرق الموجودة حاليًا على شبكة ImageNet.

تعتبر هذه النتائج دلالة واضحة على أن الابتكار يمكن أن يحدث ثورة في كيفية فهم واستخدام نماذج اللغة في المستقبل، مما يفتح المجال أمام تطبيقات جديدة لا حصر لها في مجال الذكاء الاصطناعي.