في عالم الذكاء الاصطناعي، يعد دمج النماذج (Model Merging) من الأساليب الثورية التي تتيح إمكانية إعادة استخدام النماذج المدربة بشكل فعال دون الحاجة إلى تدريب مشترك أو الوصول إلى البيانات الأصلية. ويأتي هنا الدور الحيوي للدمج الديناميكي (Dynamic Merging) الذي يضيف طبقة إضافية من المرونة من خلال تفعيل المعلمات ذات الصلة بالمهمة الاستعانة فقط.

ومع ذلك، تواجه الأساليب الديناميكية الحالية تحديات كبيرة، حيث تتطلب إما نماذج مشتركة كاملة مع خبراء صغار أو تقوم بتخصيص طاقة زائدة للخبراء، مما يؤدي إلى تنازلات غير مثالية بين الدقة والكفاءة.

توجه البحث الجديد نحو الحلول الابتكارية من خلال تقديمه إطار DiDi-Merging، الذي يسعى إلى تحقيق توازن مثالي بين المعلمات المشتركة والخبيرة عبر استخدام تخصيص الصفات القابل للتفريق. من خلال صياغة ميزانية المعلمات كتحسين قابل للتفريق في الوحدات منخفضة الرتبة، وإدخال خطوة تحسين خالية من البيانات لاستعادة دقة المهام، يعزز DiDi-Merging فعالية الاستجابة مع التأكد من أن عدد المعلمات لا يتجاوز 1.24x من نموذج مدرب واحد، متجاوزاً الأداء السابق عند نسبة 1.4x، مما يجعله أكثر كفاءة مقارنةً بالأساليب التي تتطلب تخزين يزيد عن الضعف.

هذه الطريقة ليست محصورة ضمن مجال واحد، إذ يمكن تطبيق DiDi-Merging عبر مهام الرؤية (Vision) واللغة (Language) والمهام متعددة الأنماط (Multimodal Tasks). إن هذا الابتكار يعد بفتح آفاق جديدة للبحث والتطوير في عالم الذكاء الاصطناعي، مما يُعزز من كفاءة النماذج المستخدمة ويقلل من تكاليف التخزين والمعالجة.