في ظل التقدم المتسارع في مجال الذكاء الاصطناعي، تظهر الحاجة إلى أنظمة قادرة على التكيف مع مختلف المهام بشكل فعال. هنا يأتي دور Low-rank adaptation (LoRA)، الذي يتيح أنماط خبرة متعددة. إلا أن الأساليب الحالية لتوجيه الخبراء قد تتطلب بيانات مساعدة أو تدريب إضافي، مما يشكل تحديًا للتطبيق العملي.

تقدم الباحثون بإطار عمل مبتكر يُدعى JevSoup، والذي يميز بشكل فعال بين توجيه الخبراء من System One وتنفيذ المهام من System Two، مُحدثًا نقلة نوعية في كيفية عمل أنظمة الذكاء الاصطناعي. يعتمد JevSoup على وصفات بسيطة: باستخدام المعلومات المدخلة ووصف الخبراء، يتمكن النظام من اختيار اثنين من الخبراء من خلال احتمالات منظمة.

وعندما تتوافر النتائج، يقوم JevSoup باحتفاظ بتحديثات الخبير الرائد، ثم يضغط الخبير الثاني على الفضاء العمودي للتحديث الأول، ليجمع بينهما بوزن متساوٍ. وقد أظهرت التجارب عبر 14 مهمة من PorTAL وثلاثة مقاييس من Qwen3 أن JevSoup قد حقق زيادة ملحوظة تصل إلى 1.19% في دقة المهام macro و1.21% في دقة العينات micro، متفوقاً على أقوى المعايير الخارجية التي تم تقييمها.

مع توفر الشيفرة المصدرية على GitHub، هناك إمكانيات هائلة لتطبيق هذا الابتكار في تطوير أنظمة أكثر كفاءة وقدرة على التكيف.