في عالم الذكاء الاصطناعي سريع التطور، يظل تحسين أداء نماذج اللغة الضخمة (Large Language Models) نقطة محورية لمطوري التكنولوجيا. تواجه نماذج اللغة تحديات تتعلق بتقليل التكاليف الحاسوبية مع الحفاظ على الدقة العالية في التوقعات. تعتمد الطرق التقليدية للتوجيه على الربط المباشر بين الاستعلامات والنماذج، مستندةً إلى الخصائص السطحية، مما يجعلها عرضة لفخ التذكر، ويؤدي إلى ضعف القابلية للتعميم عند التعامل مع بيانات خارج التوزيع (Out-of-Distribution).

في هذا السياق، يبرز إطار العمل DecoR كحل مبتكر؛ حيث يعيد صياغة مهمة التوجيه لتصبح عملية مطابقة تبحث في السجلات التاريخية لاستخراج استعلامات مشابهة. وبهذا الشكل، تتم معالجة فخ التذكر بشكل أكثر فعالية. لتحسين دقة المطابقة، تم تقديم أسلوب تفكيك قدرات الاستعلام، الذي يفصل بين الأشكال السطحية اللغوية والمتطلبات الجوهرية للمهام. يتم توجيه المطابقة نحو أبعاد القدرات لتأسيس قرارات قائمة على السمات الأساسية للمهام.

علاوة على ذلك، تم تطوير مجموعة بيانات CodaSet، والتي تعد مرجعاً شاملاً لتقييم تعميم التوجيه. أظهرت النتائج التجريبية أن DecoR يقدم دقة متفوقة مع تقليل كبير في تكاليف الاستدلال عبر كلا السياقين: داخل التوزيع وخارجه. يمكن للمطورين والباحثين الوصول إلى جميع الأكواد والبيانات عبر الرابط GitHub.

ختاماً، إن ظهور DecoR يمثل نقلة نوعية في كيفية تحسين نماذج اللغة الضخمة. فهل تعتقد أن هذه التقنية ستحدث ثورة في مستقبل الذكاء الاصطناعي؟ شاركونا أفكاركم في التعليقات!