تعتبر نماذج اللغات الضخمة (Large Language Models) من أبرز الابتكارات في مجال الذكاء الاصطناعي، حيث أظهرت إمكانيات مذهلة في مجموعة متنوعة من المهام. ومع ذلك، لا يزال التوفيق بين مخرجاتها وتفضيلات المستخدمين المتنوعة يمثل تحديًا كبيرًا. تقليديًا، تعمد الطرق الحالية لتخصيص نماذج اللغات الضخمة، وخاصة تلك غير الشفافة (Black-Box)، على رؤوس تقييم محددة لكل مستخدم، مما يؤدي إلى زيادة عدد المعلمات بشكل خطي مع زيادة عدد المستخدمين، ويتطلب تعديلًا إضافيًا للوافدين الجدد.

للتغلب على هذه القيود، تم اقتراح نموذج Mixture-of-Facets (MoF) كإطار عمل مرن وقابل للتوسع يركز على تخصيص نماذج اللغات الضخمة. يعتمد MoF على نمذجة تفضيلات المستخدمين من خلال تركيبات من جوانب تفضيل مشتركة بدلاً من الاعتماد على معلمات مخصصة لكل مستخدم. يستخدم هذا النموذج توجيهًا يعتمد على تاريخ الاستخدام، مما يجعل من الممكن تخصيص المخرجات لمستخدمين لم يتم تدريب النموذج عليهم مسبقًا دون الحاجة إلى تحديثات إضافية للمعلمات.

أشارت التحليلات إلى أن MoF يقدم أداءً قويًا في المهام التخصيصية المختلفة، مع الحفاظ على تصميم أكثر قابلية للتوسع وكفاءة عند مقارنةً بالطرق السابقة. بالإضافة إلى ذلك، أظهرت الأبحاث قدرة MoF على تقديم نتائج جيدة حتى للمستخدمين غير المعروفين سابقاً، مما يعكس عمق ومرونة هذا النموذج.