في عالم الذكاء الاصطناعي المتنامي، برز نموذج دمج النماذج (Model Merging) كنهج واعد لإنشاء نماذج متعددة المهام دون الحاجة إلى إعادة تدريب إضافية. ومن أبرز التطورات في هذا السياق هو نموذج CABS+، الذي يعتمد على مفهوم تصفية الازدحام الواعي (Conflict-Aware Sparsification) وتخصيص الأوزان التكيفية (Adaptive Weight Allocation).

على الرغم من أن نموذج CABS قد قدم حلاً جذريًا لتقليل تداخل المعلمات، إلا أنه كان يعاني من مشكلات تتعلق بالوقت اللازم لتحديد معاملات المقياس عبر البحث الشبكي، مما يؤدي إلى تعقيد زمني كبير. ومع ذلك، يختلف CABS+ عن سابقيه، حيث إنه يقوم بتحسين معاملات الدمج باستخدام أسلوب بحث غير تدريجي، مما يقلل من التعقيد الزمني بشكل ملحوظ.

بالإضافة إلى ذلك، يعتمد CABS+ على وظيفة ملاءمة غير متماثلة لتعزيز الأداء المتكامل عبر المهام المختلفة. ولتوضيح فعالية النموذج، تم إجراء دراسة تجريبية شاملة للنقاط الرئيسية التي تؤثر في أداء دمج النماذج، وتم اقتراح مقياس التآزر النسبي (Relative Synergy Score) لتحديد مدى قابلية الدمج، وإرشاد اختيار النماذج.

عند المقارنة بين CABS+ وطرق دمج النماذج المتقدمة الأخرى مثل CABS وAdaMerging وWUDIMerging، أثبت CABS+ تفوقه بشكل ملحوظ في 27 مجموعة بيانات و5 نماذج مختلفة تتضمن نماذج للغات الكبيرة والصغيرة والرؤية. أظهرت التجارب أن CABS+ حقق تحسينًا في الأداء العام بنسبة 16.97% مقارنة بـAdaMerging و12.93% مقارنة بـWUDIMerging، فضلاً عن استقرار وشدة أكبر عبر عدد المتغيرات وعمارة النماذج. وهذا يجعل CABS+ خيارًا مثاليًا بفضل استخدامه لأقل من 25% من ذاكرة GPU المطلوبة بواسطة AdaMerging.