في عالم الذكاء الاصطناعي، تعد التقنيات المستندة إلى استراتيجيات التطور (Evolution Strategies - ES) من الأدوات الأساسية لتحسين نماذج اللغات الضخمة (Large Language Models - LLMs). وأحدث ابتكار في هذا المجال هو تقنية EGGROLL، التي تعيد تعريف كيفية تنفيذ هذه الاستراتيجيات من خلال استبدال الاضطرابات الكثيفة في الأوزان الغاوسية (Gaussian Weight Perturbations) بطرق أقل تعقيدًا باستخدام المنتجات الغاوسية منخفضة الرتبة (Low-Rank Gaussian Products).

تأتي فكرة EGGROLL كخطوة مبتكرة يسهل الاستفادة منها في التطبيقات الكبيرة، رغم التحديات الجيومترية التي قد تطرأ نتيجة استخدامها. إن التحليل العميق لمجال تحديث EGGROLL في مختلف الظروف يظهر كيف يمكن أبسط الاضطرابات أن تؤثر على الاستقرار المحلي للأمثل، إضافة إلى دورها في الحفاظ على الدقة عند التعامل مع أهداف متعددة.

لكن المفاجأة تكمن في التطورات العملية التي تجلبها التقنية، مثل تحسينات دقة النماذج في مجموعة اختبار GSM8K، حيث ارتفعت نسبة الدقة من 38.1% إلى 63.0% بالنماذج الصغيرة، ومن 65.9% إلى 80.0% في النماذج الكبيرة. كل ذلك بينما حافظت EGGROLL على مستوى منخفض جداً من الخطأ في التقديرات.

ومن خلال تقديم EGGROLL مع تقنية LOO-ROLL، يتم تبسيط عمليات التقدير وتعزيز النتائج، مما يساهم في تحقيق فائدة واضحة ومستدامة في مجالات متعددة لجهات تطوير الذكاء الاصطناعي. إن هذا الابتكار يعد بفتح آفاق واسعة للأبحاث المستقبلية والتطبيقات العملية.