في عالم الذكاء الاصطناعي، تتحول نماذج اللغات الضخمة (Large Language Models) إلى أدوات قوية لتحليل البيانات وحل المشكلات، لكن هناك تحديات عديدة تواجهها، خاصة عند إنتاج مخرجات هيكلية مثل خطط السفر أو حلول البرمجة. كيف يمكن تعزيز قدرة هذه النماذج على الفهم والتحليل بشكل أفضل؟ هنا تأتي أهمية نموذج الطاقة التوزيعية الذي يُعدّ قفزة نوعية في هذا المجال.

تمكن الباحثون من تقديم دالة طاقة منفصلة تقوم بجمع العديد من العناصر: مُقيّم جودة مُتعلم وعقوبات تحليلية صارمة للتحقق من صحة المخرجات الهيكلية التي تنتجها نماذج اللغات الضخمة. يتكون مُقيّم الجودة من مجموعة متباينة من المُعدّلات المنخفضة الرتبة (low-rank adapters) تستخدم مشفّرًا ثُبوتيًا واحدًا فقط، مما يقلص عدد المعلمات القابلة للتدريب إلى 3% فقط.

تعمل هذه المجموعة بشكل متكامل لتحديد أهم المخرجات من خلال حساب متوسط الترتيب والانحراف المعياري الذي يحدد الت uncertainty المعرفي، مما يحفّز حلقة استنتاج من مرحلتين تهدف إلى تجديد الأجزاء غير الدقيقة أو الامتناع عن تقديم اجابات غير موثوقة. وقد أظهرت التجارب عبر خمسة مؤشرات (GSM8K، MuSR، TravelPlanner، TACO، وKnights & Knaves) أن مُتحققنا المكون من 149 مليون معلمة يتفوق على نموذج Qwen-72B في جميع الاختبارات.

بالإضافة إلى ذلك، أظهر نموذجنا القدرة على تقليل انتهاكات القيود بنسبة 53% مقارنةً بنموذج Opus 4.6 في اختبار TravelPlanner. هناك نوعان من الطرق التي تعمل بشكل تكاملي: التحقق البنيوي يحقق النجاح عندما تكون القيود قابلة للتحقق، بينما تظهر براعة النموذج المدرب في سياقات عدم التحقق.

تُظهر الأبحاث الحالية أيضًا أن المقيّمين المدربين على بيانات صعبة يمكنهم نقل خبراتهم بين المهام مع دقة تصل إلى 93.9% دون الحاجة لرؤية المشكلة باستخدام البيانات الجديدة. إن هذه الابتكارات تمثل نقطة انطلاق جديدة نحو نماذج ذكاء اصطناعي أكثر ذكاءً واستجابةً لما يحتاجه عالمنا المعاصر.

كيف ترون فائدة هذه التطورات في تطبيقات الذكاء الاصطناعي المختلفة؟ شاركونا في التعليقات!