في عالم الذكاء الاصطناعي، تكافح نماذج اللغات الضخمة (LLMs) لتحقيق تنوع كافٍ في المخرجات، مما يؤدي إلى حلول غير مثلى وأفعال متكررة. ومع ذلك، تم تقديم DORA EXPLORER (Diversity-Oriented Ranking of Actions) كحل رائد لدعم قدرة هذه النماذج خلال عملية اتخاذ القرار التسلسلي.

النهج التقليدي يعتمد على استراتيجيات معينة مثل تعديل درجة الحرارة، التي تضيف تنوعًا ولكن على مستوى الرموز، وليس على مستوى التسلسل. لكن DORA تقدم طريقة متطورة لا تحتاج إلى تدريب مسبق، حيث تقوم بإنشاء مجموعة من الأفعال مرشحة، ثم تقييمها باستخدام إحصائيات احتمالية السجل على مستوى التسلسل.

بفضل خوارزمية DORA، يمكن للنماذج المتقدمة مثل Qwen-2.5 7B في بيئات التعلم مثل Text Adventure Learning Environment Suite (TALES) تحقيق زيادة ملحوظة في الأداء، حيث ارتفعت النسبة من 31.43% إلى 45.5%.

الأهم من ذلك، تعمل DORA أيضًا على تجنب الأخطاء الشائعة، مثل الوقوع في حلقات مغلقة، مما يجعلها خيارًا مفضلًا في تطبيقات الذكاء الاصطناعي المتقدمة. يمكنكم الاطلاع على مشروع DORA بالكامل عبر موقعه الرسمي هنا.

تابعونا لتكونوا على اطلاع دائم بأحدث التطورات في عالم الذكاء الاصطناعي، شاركونا آراءكم في التعليقات! كيف تؤثر هذه التطورات على مستقبل تقنيات اللغات؟