في عالم الذكاء الاصطناعي، تعتبر نماذج اللغات الكبيرة (Large Language Models) غير قابلة للتجاهل بسبب أدائها الرائع في التفكير المتعدد الخطوات ومهام استخدام الأدوات. ومع ذلك، يعتمد هذا الأداء المدهش غالبًا على هياكل ضخمة ومعقدة. في هذا السياق، قدم بحث جديد مبادرة مبتكرة تسمى SCoRe، والتي تهدف إلى تحسين أداء نماذج اللغات الصغيرة بشكل ملحوظ.

يركز إطار عمل SCoRe على فكرة تدريب نماذج الذكاء الاصطناعي الأصغر باستخدام نهج مركزي للطالب، حيث يقوم الطالب بتوليد مسارات التدريب، ويتم تصحيح المعلم فقط لأخطاء البداية. يهدف هذا إلى إنشاء بيانات تدريب ملائمة لقدرات الطالب، مما يساعد على توضيح نقاط الضعف المحددة التي قد يواجهها.

بعد الخطوات الأولية من التصحيح، يبدأ التعلم المعزز على مدى قصير، مما يقوّي ما تم التحقق منه مسبقًا قبل الخطأ الأول. هذا يتيح للطالب استكشاف الحلول من خلال خوارزميات التعلم المعزز دون الاعتماد الكامل على تقليد المعلم، مما يحسن من استقرار التدريب.

عند اختبار SCoRe على 12 معيارًا تحديًا، أظهر طالب مكون من 7 مليار معلمة أداءً يغلق الفجوة مع معلم مكون من 72 مليار معلمة، مما يفتح آفاقًا جديدة لتطوير نماذج ذكاء اصطناعي أكثر كفاءة.

هل تتوقع أن نرى المزيد من الابتكارات في هذا المجال؟ شاركونا آرائكم في التعليقات!