في عالم الذكاء الاصطناعي، لا تزال التخصصات الخبيرة في نماذج Mixture-of-Experts (MoE) غامضة بالنسبة للكثيرين. لكن بما أن التخصص يعد أحد الأبعاد الأساسية في تصميم هذه النماذج، قامت مجموعة من الباحثين بتقديم DBES، وهو إطار تشخيصي مبتكر يهدف إلى تقييم ذلك بشكل نظامي. يجمع DBES بين مقياس متعدد المجالات ومجموعة من خمسة مقاييس نظرية، تشمل:
- تخصص التوجيه (Routing Specialization)
- الترتيب الفعال الطبيعي (Normalized Effective Rank)
- عزل المجالات (Domain Isolation)
- معدل صلابة التوجيه (Routing Stiffness Score)
- مقاييس خبرة ن-جرام (N-gram Expertise measures)

تقارير الباحثين أظهرت وجود نماذج تخصص واضحة بين مختلف الأنظمة؛ فقد أظهرت سلسلة Qwen تخصصًا نمطيًا مع عزل عالٍ بين المجالات، بينما لجأت نماذج مثل DeepSeek وGLM إلى التعاون الموزع. ومع ذلك، يؤكد الباحثون أن التخصص يعد بُعدًا تشخيصيًا ضروريًا، ولكنه ليس كافيًا لضمان الأداء الفعال.

الأمر الأكثر أهمية هو الدليل التدخلي الذي يثبت فاعلية هذه المقاييس: باستخدام DBES لتحديد مسارات الخبراء ذات التخصص العالي أثناء التدريب بعد المرحلة، تم تحقيق تحسينات مذهلة تتراوح بين 66% إلى 94.48% في المجالات المتخصصة، وذلك باستخدام فقط 15% من موارد التدريب الأصلية. إن هذه الأدوات التشخيصية تقدم إمكانية تحويلها إلى مشغلين لتحسين ملموس.

يعد هذا العمل بمثابة المنهجية النظامية الأولى لتقييم التخصص الخبير بشكل مستقل عن مقاييس الدقة، مما يتيح رؤى هامة لتصميم وتحسين ما بعد التدريب في الأنظمة التالية من نماذج MoE.