في عالم نماذج اللغات الكبيرة (Large Language Models)، حيث تلعب التفاصيل الدقيقة في تصميم التعليمات (prompts) دوراً حاسماً في تحسين الأداء، تأتي الخوارزمية الجديدة MO-CAPO لتحدث فرقاً ثورياً. تمثل هذه الخوارزمية ابتكارًا في مجالات تحسين التعليمات بتعدد الأهداف، حيث نجحت في دمج الأداء مع التكاليف بصورة فعالة.

الأساليب الحالية في تحسين التعليمات تميل غالباً للتركيز على الأداء فقط، متجاهلةً عوامل هامة مثل تكاليف استدلال (Inference Cost) والوقت المستغرق (Latency). ومع دخول MO-CAPO الساحة، أصبح بإمكان المستخدمين الحصول على تحسينات تتجاوز هذه الحدود.

MO-CAPO تعمل على تحسين الجوانب المختلفة بتزامن فريد بين الأداء والتكلفة، مع التركيز على تخصيص الميزانية (Budget Allocation) لتحقيق الكفاءة في التكلفة. كما تم تقديم هدف تكلفة موجه نحو التنفيذ، والذي يأخذ بعين الاعتبار الملف الحسابي الكامل لاستدلال نماذج اللغة.

من خلال تقييم الخوارزمية عبر أربعة مهام وثلاثة نماذج، أظهرت النتائج أن MO-CAPO تتفوق على الأساليب التقليدية، حيث قدرت على تحديد حلول متعددة ومتنوعة لكفاءاتها. حيث أظهرت تقدمًا ملحوظاً على خوارزمية NSGA-II في 8 من أصل 12 حالة وحققت أداءً تنافسياً حتى في ميزانية أقل.

يتيح هذا الابتكار للممارسين اختيار مجموعة من التعليمات التي توفر تجارب مختلفة من حيث الأداء والتكلفة، مما يعزز فعالية التطبيقات المختلفة لنماذج الذكاء الاصطناعي.