في عالم الذكاء الاصطناعي، تعتبر نماذج التدفق (Flow Models) ونماذج الانتشار (Diffusion Models) من الأدوات الأساسية لانتاج عينات عالية الجودة. ومع ذلك، تظل تحديات تكيف هذه النماذج مع تفضيلات أو قيود العملاء بعد مرحلة التدريب باهظة التكلفة وهشة، وهو ما يُعرف عادةً بتحدي توافق المكافآت (Reward Alignment).

في هذه المقالة، نقترح أن يكون توافق المكافآت السليم ميزة من ميزات النموذج التوليدي نفسه وليس مجرد فكرة إضافية. لذلك، قمنا بإعادة تصميم النموذج ليكون أكثر تكيفًا. نقدم لكم "خرائط الماس" (Diamond Maps)، وهي نموذج تدفق عشوائي يتيح توافقًا فعَّالًا ودقيقًا مع المكافآت العشوائية في وقت الاستدلال.

تتميز خرائط الماس بتوحيد العديد من خطوات المحاكاة في عينة واحدة، على غرار نماذج التدفق، بينما تحافظ في الوقت نفسه على العشوائية المطلوبة لضمان التوافق الأمثل مع المكافآت. تجعل هذه التصميمات الممارسات مثل البحث (Search)، ومونت كارلو التسلسلي (Sequential Monte Carlo)، والإرشاد (Guidance) قابلة للتوسع من خلال تمكين التقدير الفعّال والمتسق للدالة القيمية (Value Function).

أظهرت التجارب أن خرائط الماس يمكن تعلمها بكفاءة عبر تقنيات تكرير البيانات من تدفقات GLASS، حيث تحقق أداءً أفضل في توافق المكافآت، وتتوفر على قابلية أكبر للتوسع مقارنة بالطرق الأخرى المعروفة. تشير نتائجنا إلى مسار عملي للنماذج التوليدية المتطورة التي يمكن تعديلها بسرعة لتلبية تفضيلات وقيود المستخدمين في وقت الاستدلال.

هل تعتقد أن مثل هذه النماذج ستغير مستقبل الذكاء الاصطناعي؟ شاركونا آرائكم في التعليقات.