تعدُّ نماذج اللغات الضخمة (LLMs) من أبرز الإنجازات في مجال الذكاء الاصطناعي، ولكن تقييم أدائها يعد تحدياً مستمراً. في هذا الإطار، قدمت دراسة حديثة دراسة استراتيجية جديدة لاختيار مجموعات من الموجهات، والتي تهدف إلى تحسين قياس الأداء من خلال اختيار عينة صغيرة من الموجهات بدلاً من الاعتماد على اختبارات كاملة.

تتضمن هذه الاستراتيجية استخدام ما يعرف باختيار المجموعات الحالية (Coreset)، حيث يعمل الخوارزم بآلية عدم الاعتماد على نتائج التقييم المسبقة. بدلاً من ذلك، يمكن للخوارزميات المعتمدة على مستوى دقيق من التحليل أن تنتج مجموعات تسهل القياس عبر عدة معايير دون الحاجة إلى الاستعانة بجميع الموجهات.

تم استخدام أساليب اختيار فرعية متعددة مثل العمليات النقطية الحتمية (Determinantal Point Processes) ودوال المعلومات المتبادلة الفرعية ودوال متعلقة بمواقع المنشآت. ولقد كشفت النتائج أنه عند تطبيق دالة موقع المنشأة (Facility Location) على تجزئة المعاني المعنوية للموجهات، تمكنت من الحفاظ على درجات الأداء بشكل أفضل مقارنةً بإثني عشر نموذجاً آخر معتمد على تقييمات منفصلة.

الأكثر إثارة هو أن هذه الاستراتيجيات ليست مقيدة بالبيانات غير المراقبة، بل بإمكانها أيضاً تحقيق أداء متميز حتى عند توافر مجموعات واسعة من البيانات. وفي اختبارات شاملة لثلاثين وخمسة مجموعة متنوعة، أكدت النتائج تفوق أساليب اختيار المجموعات الفرعية على نماذج معتمدة حديثاً، مما يشير إلى أن استخدام هذه المقاربات يشكل مدخلاً موثوقاً لهندسة القياسات في نماذج الذكاء الاصطناعي.