تتطور نماذج اللغات الضخمة (Large Language Models) باستمرار، وتظهر آلية جديدة تُعرف بـ Copy-as-Decode التي تأخذ عملية تعديل النصوص والكود إلى مستوى جديد. بدلاً من الاعتماد على إعادة توليد النتائج بالكامل، تستخدم هذه التقنية آلية دكودينغ هيكلية تستند إلى قواعد معينة، مما يتيح تعديل النصوص بشكل أسرع وأكثر دقة.

تستند Copy-as-Decode إلى فكرة أن معظم الرموز (tokens) في النص تظهر كما هي في المدخلات، وبالتالي تعمل الوظيفة عن طريق تحديد نطاق الأسطر المدخلة لإنتاج محتوى جديد. يساعدها في ذلك نظام إدارة جملة استناداً إلى الرموز (FSM) لضمان صلاحية التركيب النحوي (syntactic validity)، مما يسهل إدخال تغييرات دقيقة.

تكشف النتائج التجريبية أن هذه الآلية تعزز من سرعة العمليات حيث تسجل سرعات تصل إلى 303 مرة أسرع في بعض الحالات، مقارنة بالأساليب التقليدية. كما تقدم Copy-as-Decode قدرة عالية على الوصول إلى الرموز الذهبية، حيث يمكن الوصول إلى 98% من هذه الرموز باستخدام النظام المؤلف من مستويين.

علاوة على ذلك، أظهرت الدراسات أن العمليات تتم دون فقدان البيانات، مما يعني أن أي فشل يمكن أن يُعزى إلى اختيار نطاق معين بدلاً من الآلية نفسها. وهذا يضمن أن العمليات المتعددة قد تساهم في تحسين النتائج بشكل كبير.

وفي جهد لتحسين عملية التعلم، أظهرت التجارب على نموذج Qwen2.5-Coder-1.5B زيادة في كفاءة التعديل من 0 إلى 17%. وأكدت الأبحاث المستقبلية حاجة لاستكشاف تكامل خدمات تشغيل مناولة متعددة الملفات.

إن هذه الابتكارات تمثل خطوات مهمة نحو تمكين نماذج الذكاء الاصطناعي على التعامل بشكل أفضل مع المهام المعقدة، مما يتركنا متحمسين لمعرفة كيف ستغير هذه التقنيات عالم البرمجة والتحرير النصي في المستقبل. ما رأيكم في هذا التطور؟ شاركونا في التعليقات!