في خطوة جديدة نحو تحسين تكنولوجيا الذكاء الاصطناعي، قامت مجموعة من الباحثين بتوسيع نطاق عملية تحويل ما بعد التدريب لنموذج Qwen3 ليشمل النموذج الأحدث Qwen3-8B. يهدف هذا التطور إلى تحقيق كفاءة أكبر في التخزين وتقليل حركة البيانات، مما يسهم في تقديم نماذج لغة منخفضة البتات (Ultra-low-bit Language Models) تضمن توفير حيز تخزين أكبر وأداءً أسرع.

التقنيات المستخدمة في عملية التحويل تشمل دوران KOTMS، وتقنية E2M-ATQ للتخفيض التكيفي، وتعويض الأخطاء على نمط GPTQ، حيث تم اعتماد هذه الاستراتيجيات ضمن إعدادات تعتمد على الوزن فقط. إذا لم تتضمن هذه الأساليب أفكارًا جديدة، فإن ما يميز البحث الحالي هو التحليل الكامل لعملية التحويل.

توصل الفريق إلى نتائج مثيرة، حيث بلغ النموذج 8B نسبة تعقد ثلاثي المجموعات بنسبة 1.361x، مع تحقيق نتائج متميزة على مجموعات WikiText-2 وC4 وPTB. ومن الملاحظ أيضًا أن متوسط الدقة في المهام العديدة بدون تدريب سابق (Zero-shot tasks) بلغ 64.6%، مما يعد مقارنة قوية مع 72.4% للنموذج التقليدي FP16.

تؤكد النتائج على أن حجم النموذج يُحسن من المتانة حتى في الحالات التي تتطلب تقنيات تحويل صارمة. كما أن التنفيذ المباشر للنموذج 8B يُظهر قدرة تنفيذ تصل إلى 15.52 رمزًا في الثانية، مما يشير إلى إمكانية الاستخدام العملي لهذه التقنيات في التطبيقات الحديثة.

يستمر البحث في فتح آفاق جديدة لعلم الذكاء الاصطناعي، مع ضرورة الاستمرار في تحسين توزيع المعايرة وأداء النواة. في النهاية، تشير هذه التطورات إلى مستقبل واعد حيث يصبح الذكاء الاصطناعي أكثر كفاءة وقوة.