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

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

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

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

يتيح هذا [الابتكار](/tag/الابتكار) للممارسين اختيار مجموعة من [التعليمات](/tag/التعليمات) التي توفر [تجارب](/tag/تجارب) مختلفة من حيث [الأداء](/tag/الأداء) والتكلفة، مما يعزز فعالية [التطبيقات](/tag/التطبيقات) المختلفة لنماذج [الذكاء الاصطناعي](/tag/الذكاء-الاصطناعي).