في عالم الذكاء الاصطناعي، تتنافس نماذج اللغة متعددة الأنماط (Multimodal Large Language Models) لتحقيق الأداء الأمثل من خلال تقنيات الضبط المتواصل. لكن ما هي الحلول الأفضل للتعامل مع التحديات التي تواجه تلك النماذج؟!

تُعاني هذه النماذج من مشكلات مستمرة، مثل فقدان الذاكرة المدمرة (Catastrophic Forgetting)، الأمر الذي يؤثر سلبًا على قدرتها على التعلم بشكل مستمر من مهام متسلسلة. في العادة، يتم استخدام جهاز عرض لضبط التمثيلات البصرية مع نموذج اللغة. لكن الطرق التقليدية تميل للحفاظ على نموذج اللغة من النسيان، بينما تستمر في تحديث الجهاز العرض، مما يؤدي إلى اختلاف كبير في التمثيلات.

لذا، قدم الباحثون طريقة جديدة تُعرف باسم Compatible Routing (CART)، التي تعمل على مواءمة التكيف بين الجهاز العرض ونموذج اللغة. حيث تحتفظ CART بخبراء محددين للمهمات لكلا الوحدتين، وتجمع بينهما من خلال مزجات موزونة. بمراعاة جوانب مثل ملاءمة الخبراء وتوافق الوحدات، تعزز CART من التنسيق بين المكونات المختلفة.

ختامًا، تجربة عملية تكشف أن CART تحقق أداءً متفوقًا، مما يسهم في تحسين كفاءة هذه النماذج في الحصول على قدرات جديدة في الأشهر المقبلة. في ضوء هذه التطورات، ما رأيكم في إمكانية استخدام هذه التكنولوجيا في مجالات الحياة اليومية؟ شاركونا آرائكم في التعليقات!