في عالم الذكاء الاصطناعي، حيث تلعب البيانات دورًا محوريًا، يأتي ظهور نماذج اللغة ذات النقطة الزمنية (Point-in-Time Language Models) كخطوة فارقة تحل الكثير من الإشكالات المرتبطة بالتحيز الزمني. الفكرة هنا تكمن في تدريب نماذج تعتمد فقط على النصوص المتاحة حتى تاريخ معين، مما يجنبنا تسرب المعلومات المستقبلية التي قد تؤثر على صحة النتائج، خاصة في مجالات مثل المالية والعلوم الاجتماعية.

في دراسة حديثة نُشرت على arXiv، استعرض الباحثون كيف يمكن تضييق الهوة بين أداء نماذج اللغة التقليدية التي تتعرض لمعلومات مستقبلية وبين نماذج النقطة الزمنية. من خلال تدريب نماذج تعتمد على 4 مليار معلمة على مجموعة ضخمة من 1 تيرابايت من البيانات المؤرشفة، تمكن الباحثون من تقديم نماذج شهرية تغطي الفترة من 2013 إلى 2024.

تُظهر النتائج أن الأداء أصبح متقاربًا مع نماذج ذات وزن مفتوح مثل Gemma-3-4B وLLaMA-7B، على الرغم من أنه لا يزال هناك تحديات في بعض المهام المدروسة.

كما تم استخدام تقنيات التوجيه من خلال LoRA لتحسين قابلية الاستخدام، مما يجعل هذه النماذج جاهزة للاستخدام في التطبيقات التي تتطلب دقة زمنية صارمة.

لعل الفائدة الكبرى من هذا البحث تكمن في إتاحة كامل عملية التدريب والاستعانة بالبيانات والبنية التحتية المطلوبة، مما يساهم في تعزيز الأبحاث المستقبلية في هذا المجال.