في عالم الذكاء الاصطناعي، يعد التحول من نماذج مولّدة (Generative Models) إلى نماذج تضمين (Embedding Models) أمرًا بالغ الأهمية. ومع ذلك، تواجه هذه العملية تحديات كبيرة، وخاصة فيما يتعلق بالموارد اللازمة للتدريب المسبق. في دراسة جديدة نشرت على موقع arXiv، تم اقتراح إطار عمل ذكي لتجاوز متطلبات التدريب المكثف لبناء نموذج تضمين متعدد الوسائط (Multimodal) قوي.

يستفيد النموذج الجديد من مفهوم "الاستدلال الذاتي الصعب" (Self-aware Hard Negative Sampling) والذي يعالج بعض المشكلات المرتبطة بالطريقة التقليدية لاستخراج البيانات السلبية. بدلاً من الاعتماد على جمع بيانات سلبية في مساحة مرشحين، يقوم هذا النموذج بتحويل الآلية إلى مساحة الاستعلام، مما يتيح تصفية دقيقة للبيانات السلبية.

كما تم تقديم "موجه تضمين هرمي"، الذي يوفر شرطًا قويًا داخليًا للنموذج، مما يساعد على سد الفجوة بين الوسائط من خلال تحديد المهام بوضوح. تؤكد النتائج التجريبية أن هذا النظام الموحد قد حقق أداءً قويًا في تقييمات نمذجة البيانات المتعددة الوسائط، محققًا نتائج تنافسية عالية باستخدام جزء صغير من بيانات التدريب القياسية.

هذا الابتكار يعد بفتح آفاق جديدة في كيفية استخدامنا لنماذج الذكاء الاصطناعي المتعددة الوسائط، مما يتيح مزيدًا من الإبداع وفعالية أكبر في الأعمال المستقبلية.