في عصر تتسارع فيه وتيرة تغيير المعلومات، يواجه الباحثون في مجال الذكاء الاصطناعي تحديات كبيرة مع نماذج اللغة التي تظل ثابتة بعد فترة التدريب. في هذا السياق، ظهر نموذج موير (Moir) كحل مبتكر لمشكلة تعديل المعرفة، حيث يقدم وسيلة لتحديث المعلومات بشكل فعال دون الحاجة للقيام بإعادة تدريب كاملة للنموذج.

تتمثل الفكرة الرئيسية في فهم كيفية انهيار القدرات الأساسية للنموذج أثناء عملية تعديل المعرفة، حيث يحدث تآكل في قدرة النماذج على التفكير الرياضي والبرمجي، بينما تبقى الذاكرة الموسوعية سليمة. بناءً على ذلك، يحدد الباحثون السبب وراء هذا التدهور غير المتناظر، وهو عدم توافق التوزيع بين البيانات المستخدمة في التدريب بعد عملية التدريب الأصلية.

يؤكد نموذج موير على أهمية استخدام بيانات النموذج ذاته لتقدير التوزيع، بما يساعد على تعزيز فعالية التعديلات. وباستخدام رمز مفرد عشوائي في عملية توليد المعرفة بدلاً من النماذج التقليدية، يتمكن الموير من استكشاف فضاءات أوسع من المعرفة، مما يعزز دقته.

في تجارب على نماذج مثل OLMo-2 وLlama-3.1 وQwen-3، أثبت موير كفاءته في الحفاظ على دقة المعرفة بمجال الرياضيات، حيث احتفظ بدقة تصل إلى 79.9% مقارنةً بـ 10.9% مع البيانات التقليدية. تؤكد هذه النتائج على أهمية ارتباط توزيع المحافظة بالتوزيع التشغيلي للنموذج، مما يعني أن النموذج ذاته هو المصدر الأكثر وصولًا لهذا التوزيع في الأنظمة المستخدمة حاليًا.

يثير هذا التطور المثير للإعجاب أسئلة حول كيفية استخدام النماذج اللغوية لتحديث معرفتها بشكل فعال في عالم متغير باستمرار. كيف يمكن تحسين أساليب تعديل المعرفة للاستفادة القصوى من القدرات الحالية للنماذج؟ ما رأيكم في هذا التطور؟ شاركونا في التعليقات.