هل تخيلت يومًا أن تصبح قراءة النصوص بواسطة نماذج اللغات الضخمة (Large Language Models) كلفة لمرة واحدة فقط؟ في أحدث ظهور له، قدّم الباحثون نموذج Galahad، والذي يمثل نقلة نوعية في عالم الذكاء الاصطناعي. هذا النموذج ليس مجرد تحسين عادي، بل يثري تجربة استخدام النماذج من خلال إحداث تحول جذري في كيفية التعامل مع البيانات.

فقد أشارت الأبحاث الحديثة إلى أن نماذج اللغات الضخمة تواجه قيودًا نتيجة الحدود التي تفرضها عمليات الحوسبة على كل رمز (token). ويزعم فيشال سيكا، المدير التنفيذي السابق لشركة Infosys، أن هذه القيود تحدد بشدة قدرة النموذج على أداء المهام أو التحقق منها.

يعمل نموذج Galahad على تحسين استهلاك الموارد من خلال الحفاظ على حالة الذاكرة الخاصة بالنموذج، مما يعني أنه لا يحتاج إلى إعادة حساب المعلومات التي تم قراءتها سابقًا. في التجارب التي أجريت على سبعة مجموعات بيانات حقيقية، أظهرت النتائج أن 98.7% من الرموز المستخدمة كانت نصوصًا قد قرأها النموذج مسبقًا.

تضمن نموذج Galahad طبقة ذاكرة جديدة تستخدم ميزات Taliesin وBlaise. Taliesin يحتفظ بحالة المفتاتيح والقيم لنصوص محددة، ويعيد تحميلها عند الحاجة. بينما يقوم Blaise بحفظ الوثائق نفسه، ويرسل فقط القسم الذي يحتاجه النموذج للإجابة على السؤال.

أظهرت الاختبارات أن Taliesin وحده سمح للنموذج بحضور جميع المعلومات في مجموعات كبيرة، مع دعم استعادة الحالة بشكل مثالي بعد كل استفسار. بفضل Galahad، انتقل استخدام نماذج اللغات الضخمة من عمليات بدون حالة إلى طلبات تعتمد على الحالة، مما يحسن من سرعة وكفاءة المعالجة إلى حد كبير.

تمكن الجميع من 30 نموذجًا مختلفًا تحت نظام vLLM من الاستفادة من هذه التحسينات، مما يعكس مستقبلًا واعدًا للتكنولوجيا في عالم الذكاء الاصطناعي.

في الختام، إذا كنت متحمسًا لتفاصيل أكثر عن هذا التطور المثير، فلا تتردد في مشاركتنا رأيك: كيف ترى تأثير هذه الابتكارات على مستقبل الذكاء الاصطناعي؟