في عالم الذكاء الاصطناعي، تظل نماذج الانتشار (Diffusion Models) من أبرز الاتجاهات التي تحقق نجاحاً ملحوظاً في العديد من التطبيقات. لكن مع ذلك، قد تواجه هذه النماذج تحديات زمنية كبيرة أثناء عمليات التوليد. هنا يأتي دور تقنية **OTCache**، الأسلوب الثوري الذي يعد بتحسين الأداء بشكل كبير دون الحاجة لتدريب إضافي.

تعمل OTCache على تسريع عملية أخذ عينات النماذج الانتشارية عبر التنبؤ بجدول التخزين المؤقت (Caching Schedule) بصورة مبتكرة. بينما تعتمد الأساليب الحالية على تقنيات قائمة على الرسوم البيانية، إلا أن OTCache تقدم نموذجًا جديدًا يستند إلى مفاهيم النقل الأمثل (Optimal Transport).

تتكون الإطار العملي من ثلاث مراحل رئيسية:
1. **الحصول على جدول مرجعي ذو دقة عالية** باستخدام طريقة التخزين المؤقت الرسومية تحت ميزانية محافظة.
2. **إجراء بحث خفيف الوزن عن نقاط مرجعية** في بيئات ذات ميزانية منخفضة جداً، وذلك من خلال تحسين Optuna مع هدف إدراكي شامل.
3. **تنبؤ الجداول** لميزانيات مستهدفة باستخدام الاستدلال الكمي بين السياسات المرجعية ونقاط التحسين، مما يتيح نمذجة سلسة ومبتكرة.

أظهرت التجارب على مجموعات بيانات مثل FLUX.1 و Qwen-Image و HunyuanVideo أن OTCache تحقق تسريعًا يصل إلى 4.5x، 4.7x، و 3.66x، مع تحسين مستمر لجودة التوليد مقارنة بمعايير التخزين المؤقت المتقدمة.

هذا العمل يتيح نظرة جديدة على تسريع نماذج الانتشار بفضل نمذجة الجداول المستمدة من النقل الأمثل، مما يدفع حدود التطور في هذا المجال. من المتحمس لرؤية كيف ستؤثر OTCache في المستقبل على التطبيقات العملية للذكاء الاصطناعي؟ شاركونا تجاربكم وآرائكم في التعليقات!