تسعى نماذج اللغات الضخمة (Large Language Models) إلى تحقيق مستوى عالٍ من الدقة في التنبؤات للاستجابات على استفسارات محددة. ولكن، كيف يمكننا تحديث معرفة النموذج لهذا الغرض دون التأثير على أدائه في استجابات أخرى؟ هذا هو السؤال الذي تناولته دراسة جديدة قدمت من خلال تحليل الطبقات الذهبية.

تستند فكرة الطبقات الذهبية إلى تحديد طبقات معينة داخل النموذج يمكن أن تؤدي إلى كفاءة قصوى في تحرير المعرفة. وفقًا للدراسة، تتوزع المعرفة في نموذجات اللغات الضخمة على أعماق مختلفة، مما يعني أن استفسارات مختلفة قد تستدعي تفاعلات مختلفة في تلك الطبقات.

أثبت الباحثون أن الطبقات الذهبية يمكن التعرف عليها من خلال تجربة comparsion مع أفضل الطبقات الأمثل على مستوى العينة، وسلطوا الضوء على فعالية الطبقات الذهبية في تعميم المعرفة على استفسارات غير مألوفة. ولتجنب الطرق التقليدية المكلفة والمستهلكة للوقت، اقترح الباحثون طريقة جديدة تعرف باسم تحليل تدرج الطبقات (Layer Gradient Analysis) التي تتيح تحديد الطبقات الذهبية بكفاءة ودقة.

عبر مجموعة متنوعة من التجارب على بيانات مرجعية متعددة، أثبتت هذه الطريقة فعاليتها وجديتها في تحسين أداء نماذج اللغات الضخمة، مما يمكنك من تحديث معرفة النموذج بأكثر الطرق كفاءة. هل تتوقع أن تسهم الطبقات الذهبية في تطوير تطبيقات الذكاء الاصطناعي بشكل أسرع؟