في عالم الذكاء الاصطناعي، دائماً ما تكون هناك حاجة لتطوير تقنيات جديدة تساعد في تعزيز التجارب والتعلم. قدم فريق البحث في ورقة جديدة تقنية مبتكرة تُعرف باسم SCOPED: Skill-Decoupled On-Policy Expert Distillation، التي تهدف إلى تحسين نماذج الرؤية واللغة (Vision-Language Models) من خلال تعزيز قدراتها المتخصصة.

تعتمد SCOPED على فكرة أن التدريب المستقل للخبراء يمكن أن يقلل من التعقيدات التي تظهر خلال تحسين الأهداف المتنوعة. فعلى الرغم من أن التعلم التعزيزي (Reinforcement Learning) يتيح لنماذج الرؤية واللغة تطوير قدرات بصرية متخصصة، إلا أن التحسين المشترك للأهداف المختلفة يمكن أن يؤدي إلى تعارضات في تدرجات التحسين.

مع SCOPED، يتم تدريب خبراء مستقلين لكل قدرة، مما يُسهل عملية استنتاج المعرفة المتخصصة دون حدوث تداخل مع التحيزات السلبية. ما يميز هذه التقنية هو أنها تعتمد على عملية التقطير المباشرة (On-Policy Distillation) لتوجيه التعلم نحو معرفة إجرائية دقيقة دون الحاجة للكشف عن مهارات محددة أثناء مرحلة الاستنتاج.

بالاعتماد على ثمانية معايير متعددة الأبعاد، أظهرت SCOPED أداءً مُتميزاً مقارنة بالنماذج التقليدية والتعلم التعزيزي المختلط.

ما يلفت الانتباه هو كيف تؤكد التحليلات الإضافية على أهمية تفادي التداخل أثناء تحسين القدرات المشتركة، وتُظهر أن تعزيز المهارات يعزز من اتساق المسارات العامة للخبراء ويزيد من الانتباه للأدلة البصرية الأساسية.

لمن يرغب في استكشاف الكود والبيانات المتعلقة بـ SCOPED، يمكن الوصول إليها عبر الرابط المخصص لهذه التقنية الحديثة.