شهدت صناعة الذكاء الاصطناعي تقدماً ملحوظاً مع ظهور نماذج اللغات الكبيرة (Large Language Models) التي تعتمد على تقنيات مثل كمية الأوزان (Weight Quantization) لتحقيق كفاءة أكبر في معالجة البيانات. ولكن، هل يؤثر هذا الاتجاه على نوعية وقرارات النماذج؟

قام فريق من الباحثين بدراسة تأثير كمية الأوزان على نماذج تسمى Qwen3 بأحجام مختلفة (8B و 14B و 32B)، مع الحفاظ على إعدادات الأجهزة والبرمجيات ثابتة. وقد تم جمع حوالي 71,000 نتيجة مرتبطة بالأسئلة المطروحة، للكشف عن كيف يمكن أن تؤثر الاختيارات في نماذج الذكاء الاصطناعي.

النتائج كانت مثيرة للاهتمام، حيث وجد الباحثون أن تقنيات الكمية مثل (AWQ-int4) تقود إلى تقليل تنوع المخرجات. حيث زادت احتمالية أن توصي نتيجتان لنفس السيناريو بنفس العلامة التجارية بمقدار 5.1 نقطة مئوية.

عندما يتعلق الأمر بالنماذج الأخرى (14B و 32B)، لاحظ الباحثون أن التغيرات الأسلوبية ظهرت بدلاً من التركيز على إجابات نمطية، مما يعكس انحرافات أسلوبية ملفتة لم تكن موجودة في النماذج الأصغر.

من ناحية أخرى، كشف التحليل عن اتجاهات جديدة تخص أولويات النموذج في تقديم الإجابات، حيث أضحى الاختيار أكثر تركيزًا على الإجابات الرئيسية بدلاً من اتباع نمطية معينة.

تستنتج الدراسة أهمية تقييم تركيز النماذج بجانب انحيازها، مما يفتح المجال لمزيد من الأبحاث حول تأثير تقنيات كمية الأوزان وكيفيات تحسين فعالية وحدات الذكاء الاصطناعي المستقبلية.