في عالم الذكاء الصناعي، يعتبر تحسين دقة التوصيات أمرًا حيويًا، حيث أن الأنظمة الحالية قد تعاني من تأخيرات أثناء عملية الترتيب. ومع تقديم نموذج Diffusion-GR2، نشهد ثورة حقيقية في هذا المجال. يعتمد هذا النموذج على طريقة جديدة تُعرف بتخفيض الشدة (block-diffusion)، مما يسمح بتقليل الزمن المستهلك في ترتيب النتائج، مقارنةً بالتقنيات السابقة.

تقوم نماذج إعادة ترتيب الطرق (re-rankers) التقليدية بالاستناد إلى سلسلة من الأفكار (chain-of-thought) قبل إعادة ترتيب قائمة المرشحين، لكنها تعاني من بطء في الاستنتاج. ينفق مشفر الأوتورجريسيف (autoregressive) وقتًا طويلًا في معالجة كل رمز في تسلسل واحد تلو الآخر. وعلى الرغم من أن عمليات التصفية والنمذجة المعقدة قد تؤدي إلى دقة أعلى، فإنها تضيف تعقيدًا إلى عملية الاستنتاج.

لكن مع Diffusion-GR2، يمكن للنموذج إجراء عمليات التصفية في عدة مواقع بشكل متزامن، مما يزيد من سرعته. تتناول منهجية النموذج مشكلتين رئيسيتين: الفجوة الهيكلية التي تحدث نتيجة للترتيب غير السليم، والفجوة التوزيعية الناجمة عن التدريب غير المتوافق.

لقد أظهرت التجارب على بيانات Amazon Beauty أن نموذج Diffusion-GR2 يمكنه استعادة دقة قريبة جدًا من تلك الخاصة بالنماذج التقليدية، بينما تحقق زيادة ملحوظة في قدرة النمذجة تصل إلى 2.4 إلى 3.5 مرة. يعد هذا الإنجاز خطوة كبيرة نحو معالجة البيانات بشكل أكثر كفاءة.