تشهد [تقنية](/tag/تقنية) 'إند (END)' تحولاً مهماً في عالم [نماذج [اللغة](/tag/اللغة) الكبيرة](/tag/[نماذج](/tag/نماذج)-[اللغة](/tag/اللغة)-الكبيرة) ([LLMs](/tag/llms)) التي أثبتت كفاءتها العالية في [معالجة [اللغة](/tag/اللغة) الطبيعية](/tag/معالجة-[اللغة](/tag/اللغة)-الطبيعية). ولكن ماذا عن التحديات المرتبطة بالضجيج غير الضروري في [سياقات](/tag/سياقات) الإدخال؟ عادةً ما تتسبب هذه الضوضاء في تدهور جودة النتائج، سواء في الحالات الطويلة أو القصيرة، مثل [توليد المحتوى](/tag/[توليد](/tag/توليد)-المحتوى) المعزز واستجابة الأسئلة المعتمدة على [الجداول](/tag/الجداول).

تكشف [الأبحاث](/tag/الأبحاث) أن [نماذج [اللغة](/tag/اللغة) الكبيرة](/tag/[نماذج](/tag/نماذج)-[اللغة](/tag/اللغة)-الكبيرة) تستطيع [التعرف](/tag/التعرف) على مدى جدوى [المعلومات](/tag/المعلومات) في تسلسلات الإدخال خلال الطبقات الأولى، مما يمهد الطريق لتطوير [تقنية جديدة](/tag/[تقنية](/tag/تقنية)-جديدة) تُعرف باسم 'إند (END)'. تعمل هذه [التقنية](/tag/التقنية) على [تقسيم البيانات](/tag/[تقسيم](/tag/تقسيم)-[البيانات](/tag/البيانات)) الواردة إلى قطع صغيرة، ومن ثم استخدام [أداة](/tag/أداة) [تصنيف](/tag/تصنيف) بسيطة في المراحل الأولية للتمييز بين الأجزاء المفيدة والضجيج. من خلال استبعاد الأجزاء غير المفيدة منذ البداية، تحفظ 'إند (END)' [المعلومات الحيوية](/tag/[المعلومات](/tag/المعلومات)-الحيوية) وتقلل من التشتت، ما يقلل من الأعباء الحسابية.

تظهر [التجارب](/tag/التجارب) أن 'إند (END)' تزيد بشكل ملحوظ من [الأداء](/tag/الأداء) والكفاءة في عدة [نماذج [لغة](/tag/لغة) كبيرة](/tag/[نماذج](/tag/نماذج)-[لغة](/tag/لغة)-كبيرة) [عبر](/tag/عبر) مجموعة متنوعة من [البيانات](/tag/البيانات) التقييمية. كما أنها تعزز [فهم الآليات](/tag/[فهم](/tag/فهم)-الآليات) الداخلية لكيفية معالجة هذه [النماذج](/tag/النماذج) للسياقات المختلفة، مما يفتح أفقًا جديدًا للبحث في مجال [الذكاء الاصطناعي](/tag/الذكاء-الاصطناعي).