في عالم الذكاء الاصطناعي، تمثل التوقعات الدقيقة عن أداء النماذج جانبًا حيويًا. في دراسة جديدة تم نشرها على arXiv، قام الباحثون بتوقع إنتاجية نماذج LLAMA (LLAMA Model) باستخدام البيانات المستخلصة من GGUF (Generalized Universal Format). اعتمدت الدراسة على نموذج دقيق يعتمد على هيكل السقف ممنهج، مع استخدام عوامل مقياس مخصصة للكم، تم ضبطها على نماذج مرجعية.

تستند هذه التوقعات إلى قياسات متعمقة من 318 قياس عمق مراحل عبر 53 تكوينات استضافية على نظامي Apple M4 Max ونظام NVIDIA RTX 5080. ولقد أظهرت النتائج أن نموذج فك التشفير الخاص بالمعلمات النشطة حقق متوسط ​​نسبة خطأ مطلقة (MAPE) قدرها 13.1%، 14.4%، و36.1%، مقارنةً بخطأ يصل إلى 49.4%، 55.3%، و51.9% عند حساب المعلمات الإجمالية.

حظي التحليل أيضًا بنماذج منخفضة الدقة والتي أثرت على ترتيب فترات التشغيل، حيث أظهرت المقاييس التي تم ضبطها عبر نظامين آخرين قيماً متدنية لنسبة الخطأ، 11.6%، 16.8%، و36.0% في الاختبارات. بينما قدم نموذج P2 الخاص بمستوى التعبئة خطأ يصل إلى 18.7%، 22.2%، و108.2%.

إجمالاً، تساهم هيكلية GGUF في تعزيز ودعم الأداء عبر الأنظمة الثلاثة، على الرغم من أن الكفاءات التي تم ضبطها لا تبدو شاملة للجميع.

مع هذه النتائج المبتكرة، كيف ترى تطور أداء نماذج الذكاء الاصطناعي في المستقبل؟ شاركنا أفكارك في التعليقات!