في عالم الذكاء الاصطناعي، يعد تطوير نماذج لغوية كبيرة (LLMs) أمرًا بالغ الأهمية لتلبية احتياجات التطبيقات المتنوعة. تقليديًا، يتم استخدام تقنية التعديل الدقيق المراقب (SFT) لضبط هذه النماذج لتناسب نطاقات معينة، إلا أن ذلك غالبًا ما يؤدي إلى تدهور في القدرات العامة للنموذج، وهو ما يعرف بفقدان المعرفة الكارثي.

ومع دخولنا حقبة جديدة من الابتكارات في هذا المجال، تبرز تقنية جديدة تُعرف باسم CPR (Critical-Point Routing) كحل مثير.

تتجاوز تقنية CPR التحديات التقليدية عبر فصل القدرات المختلفة للنموذج على مستوى الهيكل، حيث يتم الحفاظ على النموذج الأساسي الذي يتمتع بقدرات عامة، مع استدعاء خبير SFT فقط عند الحاجة لخبرة معرفية متخصصة.

تعتمد الطريقة على إنشاء تماثيل رسالة مختارة، من خلال إطار توجيه يعتمد على نقاط حاسمة، حيث يفشل النموذج الأساسي في الأداء بينما يحقق الخبير نجاحًا. ومن خلال تدريب جهاز توجيه هرمي خفيف الوزن، يتم حساب احتمالية استدعاء الخبير لكل نقطة، مما يسمح بتجميع ممارسات جديدة لإجراء استدلال مخصص يعتمد على مزيج من التنعيم الزمني ومراحل الإعداد المحددة.

تظهر نتائج التطبيق نجاحًا رائعًا، حيث تحقق تقنية CPR أداءً رائدًا عندما تم مقارنتها بنموذج SFT التقليدي، مع زيادة تتراوح بين 1.4% إلى 5.5% في أداء النطاق بينما حافظت على فقدان القدرة العامة إلى حد أدنى لا يتجاوز 0.5%.

بهذه الطريقة، توفر CPR طريقة مثيرة للذكاء الاصطناعي تتجاوز التحديات التقليدية، مما يجعلها واحدة من النقاط المحورية في تطوير الأدوات اللغوية لمستقبل ذكي.