في ظل الابتكارات المتواصلة في عالم الذكاء الاصطناعي، يبرز نموذج QV-PIC كواحد من الحلول الحديثة التي تهدف إلى تحسين فعالية تقنيات الجيل المعزز بالاسترجاع (Retrieval-Augmented Generation - RAG). تُعاني هذه التقنيات من تكرار تحميل نفس أجزاء النص عبر استفسارات مختلفة، مما يؤدي إلى تكرار الحسابات.

تقوم فكرة التخزين المؤقت المستقل عن الموقع (Position-Independent Caching - PIC) بتخفيف هذه المشكلة من خلال إعادة استخدام المفاتيح والقيم (Key-Value - KV) التي تم حسابها مسبقًا عبر المواقع المختلفة، ولكن كفاءتها محدودة بسبب الكمية الكبيرة من رموز النص.

تكمن إحدى الحلول المبتكرة في تحويل أجزاء النص إلى صور، مما يساعد على ضغط النص إلى عدد أقل من الرموز المرئية. ومع ذلك، تعاني هذه الطريقة من تدهور أكبر في الجودة مقارنةً بالتخزين المؤقت التقليدي باستخدام النص.

يقدم نموذج QV-PIC إطار عمل جديد مزدوج القرار للتخزين المؤقت، مُرشدًا بقوالب أصلية للنموذج. في المرحلة غير المتصلة (offline)، يقوم QV-PIC بتجميع التخزين المؤقت المرئي تحت بادئة قالب المحادثة للنموذج، مما يحسن جودة التخزين المؤقت دون الحاجة لإعادة الحساب عبر الإنترنت.

أما في المرحلة المتصلة (online)، فتبقى السياقات العالمية واضحة بواسطة دقة منخفضة، بينما يتم استعادة التفاصيل النصية الدقيقة ضمن ميزانية دقة عالية عبر معرفة أهمية الاستفسار التراكمي، مما يحتفظ بفائدة الكفاءة لتحويل النص إلى صور.

عبر ست مهام مختلفة، أثبت QV-PIC تحسينًا يبلغ 21.6 نقطة في متوسط مؤشر F1 مقارنةً بالتخزين المؤقت المرئي التقليدي، مما يغلق الفجوة بينه وبين التخزين النصي التقليدي، حيث يتفوق أيضًا على التخزين النصي المحسن بفارق 2.58 نقطة. وبالإضافة إلى ذلك، تم تقليل وقت التحميل الكلي بنسبة 83.8%.

إذا كنت مهتمًا بمعرفة المزيد عن كيفية تغيير هذه الابتكارات لمستقبل الذكاء الاصطناعي، فلا تتردد في مشاركتنا آرائك في التعليقات.