تسعى الابتكارات في مجال الذكاء الاصطناعي دائمًا لتحقيق أداء متفوق، خاصة عندما يتعلق الأمر بالتطبيقات التي تتطلب موارد محدودة مثل أجهزة edge. تم تقديم G-Boost، وهو إطار عمل مبتكر يهدف إلى تعزيز أداء نماذج اللغة الصغيرة (SLMs) التي تعمل في هذه البيئات.

يستفيد G-Boost من استخدام نماذج اللغة الكبيرة (LLMs) كنوع من الدعم الذكي، حيث يقوم بصياغة مهام الاستدلال كبحث شجري، مما يتيح له الاختيار بين استنتاجات نموذج اللغة الصغيرة فقط ودمجها مع الشروحات من النموذج الكبير. هذه الطريقة لا تقتصر على تحسين الأداء بل أيضًا تحافظ على خصوصية البيانات، حيث يتم نقل المعرفة الخاصة بالنموذج المتوسط دون تعريض البيانات الخاصة للخطر.

يعتمد G-Boost على نموذج مكافأة يوجه بحث مونت كارلو الشجري، مما يمكنه من اختيار خطوات التعاون المفيدة بشكل ديناميكي. تعمل أجهزة edge على تشغيل النموذج الصغير ومشغل البحث، بينما تستضيف السحابة النموذج الكبير ونموذج المكافأة، حيث تتم تبادل السياق الحالي فقط.

تم تقييم G-Boost بناءً على مجموعة بيانات GSM8K وMATH-500 باستخدام نماذج Qwen2.5 وLLaMA2، حيث أظهر تحسنًا ملحوظًا في الأداء تجاوز 8.6 و10.7 نقطة مئوية مقارنة باستراتيجيات أخرى مثل MCTS وProxy-Tuning.

تظهر هذه النتائج أن التعاون الديناميكي المدعوم بالمكافآت يعزز من التفكير واستخدام المجال للنماذج الصغيرة الموضوعة في بيئات edge، مما يعد خطوة هامة نحو تحسين التطبيقات الذكية في المستقبل.