في عالم سريع التطور، يمثل نظام تمثيل الترجمة المتعددة المستويات (Multi-Level Intermediate Representation - MLIR) محورياً في تطوير البنى التحتية الحديثة لمترجمات البرمجيات. ومع ذلك، فإن استخدامه لم يكن ملحوظاً بشكل كبير في بيانات تدريب نماذج اللغات. في قصتنا اليوم، نكتشف كيفية استخدام خصائص تصميم MLIR لابتكار نموذج جديد يمكنه تحسين الأداء دون الحاجة إلى إعادة التدريب.

تم إصدار أربعة معايير جديدة لتحويل اللغة الطبيعية إلى MLIR عبر ثلاثة لهجات، تجمع بين 410 زوج من المدخلات والمخرجات. يأتي هذا العمل في إطار سعي الباحثين لفهم ما إذا كانت المعايير الميكانيكية المستمدة من مواصفات تعريف العمليات في كل لهجة يمكن أن تعوض عن التكييف القائم على التدرجات.

لبناء شبكات متقدمة، استخدم العلماء ثلاثة طبقات مستمدة من البيانات: واحدة تغطي توقيعات العمليات، وأخرى تنقسم إلى أنواع بناءً على ما تم استخرجاه من النوع، وأخيرًا مُحقق يقوم بأربعة محاولات لرفض العينات. وبفضل هذه التقنيات، تمكن نموذج SmolLM2-1.7B من التنافس مع نماذج ضخمة بحصوله على نتائج تفوق تلك النماذج التقليدية بنسبة تصل إلى 80%.

يُخطط الفريق للإفراج عن المعايير وأداة التحويل والصور المعاد إنتاجها في Docker لتعزيز جهود المجتمع البحثي نحو تحقيق نتائج أسرع وأكثر دقة. بفضل هذا الابتكار، يشهد مجال الذكاء الاصطناعي والنمذجة تطورًا غير مسبوق.

هل أنتم متشوقون لرؤية كيف ستحسن هذه الابتكارات من كفاءة النماذج الذكية؟ شاركونا آراءكم في التعليقات!