في عالم الذكاء الاصطناعي، يُعتبر الدمج بين النماذج (Model Merging) حديث الساعة، حيث يُنظر إليه كبديل محتمل للتدريب المتعدد المهام المشترك (Joint Multi-Task Training). لكن هل يمكن أن يقدم هذا البديل بالفعل نفس النتائج؟ هذا ما حاولت دراسة حديثة الإجابة عليه.

في الدراسة، تم اختبار نماذج Qwen3-8B بتحديات مختلفة ضمن معايير تطبيق "AppWorld" باستخدام LOOP، حيث تم دمج متخصصين وضعتهم في منافسة مع نموذج تم تدريبه بشكل مشترك. وكانت النتائج مثيرة للغاية، حيث أظهرت أن عملية الدمج حققت نتائج متقاربة مع النموذج المدرب بشكل مشترك، مما يدل على عدم وجود فروق إحصائية مهمة.

لكن ما هي الأسباب التي جعلت عملية الدمج تبرز بشكل جيد رغم اختلاف الأساليب؟ المثير هنا هو قياس هندسة متجهات المهام (Task Vectors) للمختصين، حيث لم يظهر أي ضجيج في أخذ العينات للمهام وتبين أنها قريبة من التعامد (cosine بين 0.06 - 0.10) رغم وجود تداخل بنسبة 65% تقريبًا.

إذًا، ماذا يعني ذلك بالنسبة لمستقبل علم التعلم المعزز؟ يعكس هذا الاكتشاف أهمية التعامل مع الاتجاه والدعم في النماذج المعتمدة على الدمج، مما يجعل تلك الطرق تقترب من التشابه التام.

الجدير بالذكر أن جميع الأكواد والإحصائيات المتعلقة بالدراسة قد تم إصدارها لتكون متاحة للمجتمع العلمي للاستفادة منها. هل تعتقدون أن دمج النماذج سيتفوق على التدريب المشترك في المستقبل؟ شاركونا آراءكم في التعليقات!