تشهد نماذج الذكاء الاصطناعي ثورة جديدة في كيفية توليد النصوص، وقد قدمت نماذج الانسياب (Diffusion Models) آفاقًا واعدة في هذا المجال. لكن في ظل اعتماد هذه النماذج على الانتباه الثنائي الاتجاه، يظهر تعارض هيكلي مع نماذج اللغة الذاتية (Autoregressive Models) المدربة مسبقًا.

هذا الاختلاف يمكن أن يعيق إمكانية استخدام نماذج الـ AR القوية مما يتطلب تدريبًا مكلفًا من الصفر. ولهذا السبب، نقدم إطار عمل FLUID الذي يُتيح تكيفًا فعالاً لنماذج الـ AR مع نماذج الانسياب الحديثة. من خلال فرض محاذاة سببية صارمة (Strictly Causal Alignment)، يمكن لفليود البدء بسلاسة من نقاط التحقق المعتمدة على تصميمات GPT التقليدية، مما يخفف عن الحاجة إلى عمليات تدريب ضخمة.

بالإضافة إلى ذلك، نقدم ميكانيكية تُعرف باسم الآفاق المرنة (Elastic Horizons)، والتي تعتمد على كثافة المعلومات المحلية لتعديل ضوابط إزالة الضوضاء بدلاً من الاعتماد على جداول ثابتة. لقد أظهرت التجارب أن FLUID يحقق أداءً رائدًا في هذا المجال بينما يقلل من تكاليف التدريب بشكل كبير، مما يدمج بشكل فعال الأسس القائمة على الـ AR مع قدرات توليد النصوص بكفاءة عالية.

للاطلاع على الكود البرمجي الخاص بنا، يُمكنك زيارة [الرابط هنا].