في عالم الذكاء الاصطناعي، يعد توجيه نماذج اللغة الضخمة (LLMs) أداة حيوية لضمان الحصول على النتائج الدقيقة. ومع ذلك، كانت الطرق التقليدية لقياس وتقييم هذه النماذج قاصرة، إذ كانت تقوم بتقييم كل نموذج بشكل مستقل لاختيار النماذج الأفضل. هذا الإجراء يتجاهل الروابط بين النماذج ويؤدي إلى عمليات اختيار غير فعالة، حيث تختار الروتورات نماذج متكررة تشترك في نفس نقاط الفشل.

لحل هذه المشكلة، يقدم الباحثون FlexRouter، إطار عمل يهدف إلى تحسين توجيه نماذج اللغة الضخمة بطريقة تجعله أكثر كفاءة وذكاءً. يعتمد FlexRouter على مفهوم “تكامل النماذج”، حيث يعمل على تحسين مجال التغطية (answer coverage)، مما يزيد من احتمالية أن يقدم أحد النماذج المختارة ردودًا صحيحة.

يعمل FlexRouter من خلال صياغة عملية التوجيه كمسألة اختيار مجموعة فرعية موجهة نحو التغطية، مع نمذجة سياسة التوجيه بواسطة عمليات النقطة الحصرية (Determinantal Point Processes - DPPs) التي تلتقط كفاءة النماذج والتكرار بطريقة طبيعية.

عند إجراء الاستدلال، يستخدم FlexRouter استراتيجية جشعة تعتمد على مكاسب اللوغاريتم الهامشي، مما يتيح للروتر القدرة على تحديد أحجام المجموعات الفرعية بشكل ديناميكي ودون الحاجة إلى ميزانية مسبقة.

تشير التجارب الشاملة على معيار RouterEval الواسع النطاق إلى أن FlexRouter يحقق تغطية أعلى مع تقليل التكرار مقارنة بالنهج القوي التقليدي، مع الحفاظ على تكلفة استدلال مرنة. إن هذا الابتكار قد يغير الطريقة التي نتفاعل بها مع نماذج الذكاء الاصطناعي، ويقدم نظرة جديدة على كيفية زيادة أدائها في مختلف التطبيقات.