في الوقت الذي تزداد فيه حاجة العالم إلى نماذج لغوية أكثر كفاءة وقدرة، يظهر نموذج BiSpikCLM كحل مبتكر يقوم بتخطي العقبات التقليدية في معالجة اللغة. يعتمد هذا النموذج على الشبكات العصبية النابضة (Spiking Neural Networks - SNNs)، التي توفر بديلاً فعالاً من حيث الطاقة لنماذج اللغة الضخمة (Large Language Models - LLMs).

ما يجعل BiSpikCLM فريداً هو عدم الاعتماد على العمليات الحسابية المعقدة التي تتطلبها نماذج اللغة التقليدية. فهو يتميز بتقديم "انتباه نابض خالٍ من Softmax" (Softmax-Free Spiking Attention - SFSA)، الذي يلغي الحاجة إلى العمليات المعقدة المرتبطة بالنمذجة الذاتية للغة، مما يحسن من كفاءة النموذج بشكل كبير.

زيادة على ذلك، تم تطوير تقنية "تقطير الارتباط المعتمد على النبضات" (Spike-Aware Alignment Distillation - SpAD)، التي تسمح بنقل المعرفة من نموذج الشبكة العصبية الاصطناعية (ANN) إلى النموذج النابض (SNN). ومن خلال التوافق بين المدخلات وخرائط الانتباه والميزات الوسيطة، يتمكن BiSpikCLM من الوصول إلى أداء مماثل لنظرائه من ANN بينما يحتاج فقط إلى عدد أقل بكثير من الرموز في التدريب، مما يصل إلى 5.6% فقط من الرموز للنموذج البالغ 1.3 مليار.

نتيجة لهذا الابتكار، يحقق BiSpikCLM أداءً تنافسياً بارزًا بتكلفة حسابية تبلغ ما بين 4.16% إلى 5.87% فقط من التكلفة الصحية التقليدية في مهام إنشاء اللغة الطبيعية. هذه النتائج تبرز فعالية وانتشار النماذج النابضة القائمة على ثنائية النبض وتشير إلى تأكيد فعالية التقطير كوسيلة واعدة لتحفيز معالجة اللغة الطبيعية المستوحاة من الدماغ.