في عالم الذكاء الاصطناعي، تسعى النماذج الكبيرة المخصصة للاستدلال (Large Reasoning Models - LRM) لتحقيق أداء عالي في المهام المعقدة. ومع ذلك، فإن الاستدلال الطويل والمعقد قد يكون غير ضروري لاستفسارات بسيطة، مما ينتج عنه زيادة في التكلفة ووقت التنفيذ.

لحل هذه التحديات، تم تقديم تقنية **QA-Merging (الدمج الذكي وفقًا للاستعلامات)**، وهي إطار عمل يعتمد على دمج نماذج الاستدلال المطولة (Long-CoT) مع نماذج الاستدلال القصير (Short-CoT). هذه التقنية تسعى للوصول إلى استدلال مرن يتكيف مع متطلبات الاستعلامات المختلفة، دون الحاجة لإعادة تدريب النموذج أو إدخال بيانات إضافية ضخمة.

تقوم QA-Merging بإنشاء مجموعة صغيرة من البيانات المصنفة لتعيين أنماط الاستدلال المناسبة لكل استعلام. من خلال تحليل تجريبي، تم اكتشاف أن الأنماط السلوكية بين Long-CoT وShort-CoT تختلف عبر طبقات الـTransformer بشكل غير منتظم. مما استدعى QA-Merging لتحديد الطبقات ذات فرق الأنماط العالي وإجراء المعايرة عليها باستخدام مطابقة السمات وتشكيل الانخفاض، بينما تقوم بتصحيح الحالات المخفية المتبقية.

تظهر التجارب التي أجريت على سبع مؤشرات استدلال مشهورة أن هذه التقنية ليست فقط تقلل من تكلفة الاستدلال، بل تحتفظ أيضًا بأداء قوي، مما يفتح آفاقًا جديدة لتحسين تجربة استخدام الذكاء الاصطناعي في تطبيقات متعددة.

ما رأيكم في هذه التقنية الجديدة؟ هل تعتقدون أنها ستحسن فعالية النماذج في الاستجابة للاستفسارات البسيطة؟ شاركونا آراءكم في التعليقات!