في عالم الذكاء الاصطناعي، تُعتبر نماذج اللغة الكبيرة (Large Language Models) من بين أهم التطورات التكنولوجية. لكن، كيف يمكننا تحقيق أقصى استفادة من هذه النماذج تحت قيود الموارد؟ وللإجابة عن هذا التساؤل، قام فريق من الباحثين بتطوير نظام CARGO، وهو إطار عمل لتوجيه النماذج بدون الحاجة إلى التدريب مسبقاً، مما يتيح التعاون بين السحابة والنموذج المحلي بشكل أكثر فعالية.

في كثير من الأحيان، تعتمد الطرق الحالية على توجيه مزود مسبقاً أو تعديلات واعية للتعاون تتعلق بنمط تشغيل معين. ولكن العجيب في CARGO هو أنه يعتمد على سلوك استجابة النموذج المحلي نفسه لاتخاذ قرارات حول متى يجب الوثوق بعملية التنفيذ المحلي ومتى يجب الانتقال إلى نموذج سحابي أقوى.

يعتمد النظام على طرق مثل أخذ عينات من الاستجابات المولدة وتحليل مستوى الاتفاق بينها، مما يعزز التحكم في عدم اليقين باستخدام تقنيات محدد مبكر بايزي (Bayesian early stopping). هذه الآلية تعزز من الكفاءة وتدعم احتياجات التعاون المختلفة دون الحاجة لتدريب إضافي.

أظهرت التجارب أن CARGO يتفوق بشكل مستمر على الطرق التقليدية التي تتطلب التدريب، حيث أثبت فعاليته في مجموعة متنوعة من مهام الاستدلال والإجابة على الأسئلة. إن النتائج تشير إلى أن التعاون الفعّال والسهل بين النموذج المحلي وسلوك استجابته يمكن أن يتحقق بدون الحاجة لمؤشرات توجيه مدربة.