أحدثت دراسة جديدة ثورة في طريقة تقييم أخطاء الكوانتيزيشن (Quantization Error) في نماذج الذكاء الاصطناعي، حيث أثبتت أن استخدام بروب عشوائي واحد يمكن أن يقدم تقديرًا غير متحيز لمقدار الخطأ. تم اختبار هذه الطريقة على 1683 مصفوفة من نماذج مختلفة، وأظهرت النتائج أن الإبعاد الفعال يتراوح بين 0.93 و0.96 من قيمة الضجيج المستقل والمتطابق، مما يشير إلى دقة عالية في التقييم.

تعتبر هذه الأداة متقدمة، حيث تتمكن من قياس حساسية كل مصفوفة بدقة تتراوح بين 4% إلى 7%، ومع استخدام 20 بروب يصل التقدير إلى دقة تتراوح بين 1.3% إلى 1.4%.

واحدة من التطبيقات المبتكرة لهذه النتائج هي في تحسين الكوانتيزيشن الموجهة للميزانية، حيث يقوم نظام RAM بتطبيق تقدير الخطأ دون الحاجة لأي بيانات تخصيص. ويقوم باستخدام إحصائيات الإدخال الخاصة بالشبكة لتقييم كل مصفوفة عبر ستة عرض بت مختلف. هذا النظام يسهم في تخصيص الموارد بشكل فعال ويظهر أداءً أفضل مقارنة بأساليب التخصيص السابقة.

على سبيل المثال، عند إجراء اختبار على نماذج مثل Qwen3.5-35B-A3B، وجد أن تقديرات البروبي كانت أكثر ارتباطًا الهدف الحقيقي للتخصيص مقارنةً بممارسات تخصيص أخرى.

تشير هذه النتائج إلى أهمية استخدام تقنيات حديثة في الكوانتيزيشن لتحسين أداء نماذج الذكاء الاصطناعي، مما يعزز الكفاءة العامة ويساعد في تجاوز التحديات السابقة في تخصيص الموارد بطريقة فعّالة ومبتكرة. هل أنتم مستعدون لرؤية كيف ستؤثر هذه الاكتشافات على مستقبل الذكاء الاصطناعي؟