في عالم الذكاء الاصطناعي، تتطور التقنيات بشكل مستمر، ويُعَد الضغط على ما يُعرف بالتخزين المؤقت للقيم بتجزئة (Chunked KV-cache compression) أحد التطورات الجديدة التي تعزز من فعالية النماذج اللغوية. هذه التقنية تُتيح تقليل التكاليف المتعلقة بالذاكرة والانتباه خلال فترات الاستدلال الطويلة من خلال ضغط مجموعات متتالية من الرموز إلى إدخالات أقل في التخزين المؤقت. ومع ذلك، ظهرت نتيجة مثيرة للاهتمام من وراء هذه التطورات: الأبعاد الزمنية لموقع الرمز، والتي تُعرف بـ ‘فاز’ الرمز، قد تخلق تحولات غير متوقعة في القدرة على استرداد المعلومات.

كشفت الدراسة الأخيرة التي نُشرت على arXiv عن ظاهرة جديدة تُدعى حساسية الفاز (Phase Sensitivity). أظهرت النتائج أن نماذج الذكاء الاصطناعي ذات الأوزان المفتوحة تشهد اختلافًا كبيرًا في دقة استرجاع المعلومات، والذي يمكن أن يصل إلى 40 نقطة مئوية حسب المرحلة الواضحة التي يستخدمها النموذج، مما يدل على وجود نقاط ضعف دورية قد تخفيها النتائج العامة.

واستنادًا إلى تحليل ميكانيكي يُستخدم فيه تدخلات سببية في النماذج، اتضح أن مكونات الانتباه المختلفة تسهم بشكل غير متساوٍ في استرداد المعلومات عند مراحل مصادر مختلفة. علاوة على ذلك، أظهرت نماذج استرجاع مثالية كيف يمكن لديناميات تدفق التدرج أن تُفضل تخصصًا صارمًا عبر الفازات المختلفة.

لذا، يتطلب تقييم نماذج الضغط على التخزين المؤقت للقيم بتجزئة قياس الأداء عبر الفازات المختلفة. إذ يمكن أن تتواجد دقة عالية في المتوسط مع وجود فشل منهجي في بعض المواقع.

في نهاية المطاف، تؤكد هذه الدراسة على أهمية فهم كيفية تأثير تكنولوجيا ضغط التخزين المؤقت على أداء نماذج الذكاء الاصطناعي، مما يفتح المجال أمام المزيد من الأبحاث لفهم ديناميات الأداء بشكل أعمق.