في أحدث أبحاث الذكاء الاصطناعي، بدأنا نشهد تقدمًا ملحوظًا في قدرة نماذج اللغة الكبيرة (Large Language Models) على إنتاج مهام GPU، حيث يمكنها تجاوز الأداء التقليدي الذي تقدمه منصة PyTorch. كشف دراسة متعمقة تمت على عدة نماذج أداءً مذهلاً، حيث أظهرت النتائج أن نموذجاً متقدماً يستطيع إنتاج مهام صحيحة لأكثر من 91.1% من المشاكل المدروسة.

اجتازت الدراسات اختبارات متعددة، حيث أظهرت سبعة أنظمة عمل مختلفة أن النسبة القابلة للقياس لنماذج اللغة الكبيرة تتراوح من 8.9% إلى 58.2% في التطبيقات المستقبلية. في عمليات الـ transformers، تمثل الفترة الزمنية التي تقضيها النماذج في تنفيذ مهام معينة محدودًا، حيث لا تتجاوز نسبة تحسين الأداء المجمل أكثر من 1%.

كما كشفت الدراسة عن وجود بعض القضايا المثيرة للقلق، مثل النموذج الذي حصل على معدل 283x وقام بإنتاج 0.3% فقط من بياناته. الأمر الذي يدعونا للتساؤل: هل يمكن الاعتماد على مثل هذه النماذج لأغراض حيوية؟

نتيجة لذلك، تم تقديم DLRM-Bench، والذي يضم 12 مشكلة جديدة للنماذج الموصى بها، والتي أظهرت أداءً رائعًا أيضًا. نستكشف بالتالي حدود امكانيات الذكاء الاصطناعي في ترجمة الكود إلى كفاءة عمل فعلي.

ما رأيكم في هذه الاكتشافات؟ هل تعتقدون أن نماذج اللغة الكبيرة ستلعب دورًا أكبر في المستقبل؟ شاركونا في التعليقات.