اكتشاف الفجوة في أهلية المهام الدقيقة: هل نماذج اللغة الصغيرة تكفي للجهود العملية؟

في عالم الذكاء الاصطناعي، تتزايد الحاجة لاستخدام نماذج اللغة الصغيرة (SLMs) للقيام بمهام دقيقة حول نماذج اللغة الكبيرة (LLMs)، مثل الموافقة التلقائية على الأوامر البرمجية وكتابة الذاكرة واختيار الأدوات. ولكن، هل بالفعل تلبي هذه النماذج الشروط التي يحددها الممارسون؟

تتناول دراسة جديدة هذا التساؤل من خلال بناء معيار يتضمن أربعة مهام دقيقة، مع تقديم محددات مسبقة لكل مهمة. تم خلالها اختبار نماذج Qwen3 بأحجام مختلفة (0.6/1.7/4/8B) واكتشاف فجوة في الأهلية. حيث لم تنجح أي من 16 تكوينًا (4 مهام × 4 نماذج) في تجاوز عتبة الأهلية.

تم تصنيف حالات الفشل إلى عجز قدرات وعدم دقة في عتبة القرار. كما أظهرت التجارب أن تقليل حجم النموذج (مثل الكمون 4-بت) يؤثر على نتائج الأهلية، ولكن لم يُعد أي تكوين مؤهلاً.

النتيجة الرئيسية التي توصلت لها الدراسة هي أنه يجب استخدام نماذج اللغة الصغيرة كدعم عندما تفشل النماذج الأساسية، مع وضع قيود لعطائها دون التشويش على تحقيق النجاح.