في عالم الذكاء الاصطناعي، تبحث الأبحاث دائماً عن أساليب جديدة لتحسين الأداء وزيادة دقة النتائج. من بين هذه الأساليب، قامت دراسة حديثة بتقديم مفهوم جديد يُعرف باسم 'العينة المعمارية' (Architectural Sampling)، والذي يمثل نقلة نوعية في كيفية معالجة البيانات.

عادةً ما يسعى التحجيم في وقت الاختبار إلى الحصول على إجابات أفضل من خلال أخذ عينات متعددة من نموذج ثابت. لكن الطريقة التقليدية لأخذ العينات، المسماة 'أخذ العينات بدرجة الحرارة' (Temperature Sampling)، تقوم بتوليد كل مرشح على نفس مسار الحساب الثابت. هنا يأتي دور العينة المعمارية، وهي طريقة لا تتطلب تدريباً، حيث تقوم بخلق مرشحات من خلال حسابات مختلفة للأمام بإعادة استخدام كتل معينة من طبقات فك الشيفرة.

من خلال تغيير موقع الكتلة وعدد التكرارات، استطاعت هذه الطريقة إدخال تنوع في الحسابات دون الحاجة لتحديث أوزان النموذج أو إضافة معلمات مساعدة جديدة. تم اختبار هذه الطريقة على خمسة نقاط تفتيش (Checkpoints) من نموذج 'Qwen' واثني عشر معياراً متعدد النماذج، وأظهرت العينة المعمارية تحسيناً بمتوسط 6.58 نقطة مئوية في 'pass@9' مقارنةً بأخذ العينات بدرجة الحرارة في نفس ميزانية التسعة مرشحات.

تظهر النتائج أن إعادة استخدام الطبقات المبكرة تحقق أفضل المكاسب، وأن التحسين في تغطية المرشحات يستمر حتى تحت عمليات التشفير الجشعية (Greedy Decoding). كما أظهرت المرشحات الناتجة اختلافاً أقل في المفردات وزيادة دقة عند استخدامها كأدوات لإعادة التعلم في وقت الاختبار بدون تسميات. هذه النتائج توسع الفوائد الناتجة عن العينة المعمارية لتتجاوز فقط تغطية المرشحات، حيث تُظهر فوائد أكثر فعالية للتعلم من مخرجات النموذج الخاصة.