في عالم الذكاء الاصطناعي، تتزايد أهمية نماذج اللغة الكبيرة بشكل غير مسبوق، خاصةً في تطبيقاتها المتعددة اليومية. لكن، تواجه هذه النماذج واحدة من أكبر التحديات المرتبطة بالشبكات الهايبرنائية، ألا وهو 'الفجوة المعرفية' التي تلعب دوراً محورياً في دقة النموذج.

تعتمد الأساليب الشبكية الهايبرنائية مثل Doc-to-LoRA على دمج الوثائق الجديدة في أوزان نماذج اللغة من خلال تمريرة واحدة، ولكنها غالباً ما تواجه صعوبات عندما تتعارض الوثائق مع المعلومات السابقة. في حالة النزاعات، تنخفض الدقة بشكل مروع إلى 46.4% على الحقائق الأكثر تعقيداً.

تشير الأبحاث إلى أن المشكلة تكمن في الحجم بدلاً من التمثيل. فالهايبرنيروكت يهدف بالفعل إلى الطبقات الصحيحة، ولكن الهوامش المطلوبة تتسع مع تكرار التدريب، مما يسبب فشلًا بنيويًا في التعامل مع النزاعات العميقة.

النموذج الجديد يقترح تحويل دقيق: تعزيز الطبقات الانتقائية، والذي يقوم بتوسيع الهوامش في الطبقات الأكثر تأثيرا، بينما يعمل تكييف الإدراك المعرفي على تحفيز التعزيز عندما يكون النموذج الأساسي واثقًا فقط. تعتمد هذه الحلول على تدريب خالٍ، مما يتيح لها رفع دقة النزاعات العميقة من 46.4% إلى 71.0%، وزيادة مستدامة في استرجاع المعرفة الجديدة.

عند تمكين هذه الاستراتيجيات الجديدة، تتفوق النماذج المحسنة على تقنيات الاسترداد التقليدية المسار بأكثر من 18 نقطة مئوية في النزاعات المتوسطة.

لنكون واضحين، قمنا بإطلاق KID-Bench، وهو مجموعة مكونة من 489 سؤالًا تُميز بين استدعاء المعرفة الجديدة، والتركيبة العبرية للمعرفة، والنزاعات المعرفية المتدرجة. هذا يمثل خطوة هامة نحو تقليل الفجوة المعرفية في مجال الذكاء الاصطناعي، ويُعد دليلاً على الإمكانيات الهائلة التي يمكن أن تحققها الشبكات الهايبرنائية في المستقبل القريب.

ما رأيكم في هذا التطور؟ شاركونا في التعليقات.