في عالم الذكاء الاصطناعي، تُعتبر القدرة على المعالجة المتوازية لنماذج اللغة الكبيرة من أبرز الاتجاهات الحديثة التي تُعزز الأداء. تمتاز تقنية CAPS (Cascaded Adaptive Pairwise Selection) بأنها تجلب تحولاً جذرياً في كيفية تصنيف الحلول أثناء اختبار الأداء، حيث تعتمد على نموذج معدّل لاختيار الحلول بشكل أكثر كفاءة.

هذه التقنية الجديدة، التي تم الإعلان عنها في منصة arXiv، تتجاوز الطرق التقليدية باعتماد نظام تقييم غير متجانس يقوم بتخصيص الموارد على محورين أساسيين: محور الأدلة، الذي يتحكم في مدى معلومات الحكم عن كل حل مرشح، ومحور التوزيع، الذي يُكيف كيفية انتشار المقارنات بين الحلول. هذا يسمح بتقليل التكلفة المرتبطة بعمليات التقييم بشكل ملحوظ، حيث تُخفض التكاليف إلى النصف تقريبًا مقارنة بالأساليب السابقة.

عند تطبيق CAPS على أربع نماذج ذاتية التحقق (مثل Qwen3-14B وGPT-OSS-20B) وخمسة اختبارات في مجالات البرمجة والرياضيات، أظهرت النتائج تفوقًا واضحًا على أساليب التحقق التقليدية في 14 من 20 مجموعة اختبار. كانت النتيجة مثيرة بشكل خاص، حيث تم استخدام 25.4% فقط من ميزانية التحقق اللازمة لمشكلات البرمجة.

يقدم هذا العمل إطارًا مفيدًا للباحثين والمطورين الراغبين في تحسين دقة وكفاءة نماذجهم اللغوية الكبيرة. إنها خطوة كبيرة نحو تحقيق تحقيق أقصى الاستفادة من الموارد المتاحة دون التضحية بالجودة أو الدقة.

ما رأيكم في هذه التقنية الجديدة؟ شاركونا في التعليقات!