في عالم الذكاء الاصطناعي، تتسم النماذج اللغوية (Language Models) بالتطور المستمر، وتعتبر تقنية AVSD (Adaptive-View Self-Distillation) إحدى المبتكرات التي تغير قواعد اللعبة. تهدف AVSD إلى تعزيز تعلم النماذج من تجاربها الخاصة عن طريق استخدام النموذج نفسه كطالب ومعلم، مما يوفر للطالب معلومات خاصة (Privileged Information) لا يمكنه الوصول إليها في مرحلة الاستدلال.

ما يميز AVSD هو القدرة على توظيف أنواع متعددة من المعلومات الخاصة، مثل الحلول، والتوجيهات، والتعليقات، والأجوبة النهائية. هذه التقنية تضمن توفير تغذية راجعة دقيقة على مستوى الرموز دون الحاجة إلى نموذج خارجي منفصل، لكن التحدي يكمن في التباين المحتمل: حيث أن المعلم يعتمد على معلومات خاصة تعذر على الطالب الوصول إليها أثناء الفحص.

لمعالجة هذه التحديات، يقدم AVSD منهجية جديدة تجمع بين إشارات توافقية مستقرة عبر وجهات نظر متعددة، مما يساعد في تحديد الإشارات التي توفر اتجاه تحديث موثوق. ومن خلال إضافة الإشارات الخاصة بالتحديد عند توافقها مع الاتجاه العام، يتم تعزيز الدقة في التحديث.

تجارب أجريت على معايير المنافسات الرياضية (مثل AIME24 وAIME25 وHMMT25) أظهرت أن تقنية AVSD تتفوق باستمرار على القواعد الأساسية للتعلم الذاتي ذات الرؤية الواحدة، بزيادة متوسط الأداء بمعدل 3.1% و2.2% على أقوى القواعد في نماذج Qwen3-8B وQwen3-4B، على التوالي. وليس ذلك فحسب، بل إن AVSD أثبتت كفاءتها أيضًا في توليد الأكواد (Code Generation) عبر معايير مثل Codeforces وLiveCodeBench v6، حيث تفوقت بمعدل 2.4% على القاعدة الواحدة ذات الرؤية الواحدة.

إن AVSD ليست مجرد تقنية جديدة، بل هي خطوة نحو مستقبل أكثر ذكاءً في تعلم الآلات، حيث تجعل النماذج قادرة على الاستفادة من تجاربها بشكل أكثر فعالية ودقة.

ما رأيكم في هذا التطور؟ شاركونا في التعليقات.