في عالم التكنولوجيا المتسارع، يبرز الذكاء الاصطناعي كعنصر حيوي في تطوير حلول جديدة ومبتكرة. واحد من أحدث التقارير التي طرحت في هذا السياق هو دراسة تبحث في تحسين ترجمة العناوين الفرعية (subtitle translation) على الأجهزة، حيث تم التركيز على الترجمة من اللغة الإنجليزية إلى الصينية التقليدية، خاصة في تايوان.

تعتمد هذه الخلفية على شروط صعبة مثل المدخلات القصيرة، الإخراجات القصيرة، واستخدام عينات بحجم واحدة مع قيود على الزمن والخاصة بالخصوصية. هناك حاجة لتجاوز العقبات الناجمة عن التحسينات المصممة في الأصل لسياقات طويلة أو خدمة نماذج لغوية عالية الإنتاجية.

وتم استخدام نموذج LMT-60-0.6B كقاعدة انطلاق، حيث أظهرت العمليات الأولية أن تكاليف فك الترميز (decode-time cost) الناجمة عن مشروع المفردات (vocabulary projection) أصبحت أكثر أهمية بعد تقليل تكاليف كتل Transformer عبر تقنية GGUF.

في خطوة جريئة، تم استبدال المفردات الأصلية المكونة من 151 ألف رمز بمفردات تتكون من 64 ألف رمز متخصص في مجال العناوين الفرعية. ونتيجة لهذا، تم تعديل نموذج الترجمة بما يتناسب مع هذا التحول بواسطة معايرة التضمين (embedding calibration) ثم تحسين دقيق كامل تحت إشراف (full supervised fine-tuning).

وعلى مجموعة اختبار محددة مؤلفة من 500 مثال من OpenSubtitles2024، حقق النموذج الجديد (LocalSubs) معدل فوز مدهش قدره 59.2% مقارنةً بGoogle Translate وفقاً لحكم GPT-4o.

تظهر القياسات الأولية التي تم إجراؤها على معالج Apple M2 Metal لنموذج ذو 64 ألف مفردة زيادة قدرها 1.63 مرة مقارنةً بالأساس السابق المؤلف من 151 ألف مفردة. ومع ذلك، يبقى توثيق الأداء الكامل غير مكتمل لذا تُعتبر نتائج الزمن سابقة لأوانها.