في عالم الذكاء الاصطناعي (AI)، نجح الباحثون في تطوير قوانين جديدة للتوسع المتعدد الوسائط (Multimodal Scaling Laws) التي تتيح لنا فهم ودراسة كيفية تأثير تزاوج البيانات (Paired Data) على أداء النماذج في المهام المتعددة الوسائط.

تُظهر الأبحاث أن القوانين التقليدية للتوسع لم تأخذ بعين الاعتبار مدى ارتباط البيانات المتزاوجة في سياقات معينة، وبالتالي لم تكن قادرة على تقديم تفسير شامل للطريقة التي تُستخدم بها هذه البيانات. درست الفرق بين النماذج من خلال مجموعة متميزة من التجارب في بيئات مختلفة، حيث تم تعديل أحجام البيانات ونسب التزاوج.

تكشف النتائج عن أن تغيير نسب التزاوج يمكن أن يؤثر بشكل جذري على منحنيات الخسارة (Loss Curves) في المهام متعددة الوسائط. فقط البيانات المتزاوجة يمكنها تقليل خسارة التآزر (Synergistic Loss)، بينما يمكن للبيانات غير المتزاوجة تقليل المعلومات المتكررة أو الأحادية فقط حتى يصل الأداء إلى حدوده الدنيا.

عند مقارنة هذه القوانين بالتطبيقات الحالية، أظهرت الدراسات الجديدة أن الخطأ في توقع خسارة النماذج لا يتجاوز 3.2%، مقارنة بـ 10.4% للقوانين التقليدية المعتمدة. وبذلك، تصبح هذه القوانين أكثر دقة وموثوقية، مما يمثل خطوة مهمة للأمام في تطوير وأداء نماذج تعلم الآلة المتعددة الوسائط.