في عالم الذكاء الاصطناعي، تعتبر نماذج اللغة الكبيرة (Large Language Models) واحدة من أبرز الابتكارات، ولكنها تحتاج إلى تحسين دقيق لطلباتها لتكون أكثر فعالية. يشهد هذا المجال تطورًا ملحوظًا مع ظهور تقنية BudgetAPO. هذه التقنية تعد واجهة جديدة تهدف إلى تحسين الطلبات تلقائيًا (Automatic Prompt Optimization) دون الحاجة إلى تحديث الأوزان، مما يحقق نتائج واعدة.

إحدى المشكلات التي تواجه العديد من النماذج الحالية مثل GEPA وOPRO، هي اعتمادها على استدعاءات متعددة للنموذج، وهو أمر قد يكون غير عملي في ظل الميزانيات المحدودة. إذ يمكن أن تؤدي أنظمة العمل ذات المراحل المتعددة إلى استنفاد الميزانية دون تحقيق نجاح يُذكر، في حين أن الطرق ذات المرحلة الواحدة تقارن المرشحين بطريقة ثابتة مما يجعلها غير ملائمة للضجيج المتنوع في كل مهمة.

لذا، تم تقديم BudgetAPO كحل مبتكر في هذا السياق. تعتمد هذه التقنية على:
1. معيار تكيفي للضجيج يقوم بحجم شريحة التقييم بناءً على ضجيج كل مهمة.
2. شريحة ثابتة تحول كل قرار قبول/رفض إلى مقارنة ثنائية.
3. مشغل عاكس يقوم بإعادة كتابة استراتيجية التفكير وصيغة المخرجات معًا.

أظهرت النتائج الواسعة عبر سبعة معايير وخمسة نماذج تكنولوجية أن BudgetAPO حقق المرتبة الأولى في كل معيار، متفوقًا على جميع الأساليب التقليدية تحت اختبارات مقترنة مصححة. ومن المثير للاهتمام، أنه من خلال 250 استدعاء، تم الحفاظ على الطلب الأصلي في 13% من التجارب مقارنة بـ 86% مع GEPA.

وعلى نموذج GPT-OSS-20B، احتاج GEPA إلى خمسة أضعاف المكالمات لمضاهاة درجة BudgetAPO عند 100 استدعاء. بهذه الطريقة، تمنح BudgetAPO الأمل لمن يعملون ضمن ميزانيات محدودة، بطرق مبتكرة تساعد في تحقيق أفضل النتائج دون تكاليف زائدة.

ما رأيكم في هذه التقنية الجديدة؟ وهل تعتقدون أنها ستُحدث فرقًا في مجالات استخدام الذكاء الاصطناعي؟ شاركونا في التعليقات.