في تقدم [جديد](/tag/جديد) ومثير في مجال الذكاء الاصطناعي، تم تقديم SHINE (شبكة الهيربروكة [السياقية](/tag/السياقية) القابلة للتوسع) كنموذج مبتكر يهدف إلى الربط بين السياقات المختلفة ونماذج [اللغة](/tag/اللغة) الضخمة (Large Language [Models](/tag/models)) من خلال وحدات [LoRA](/tag/lora).

تركز SHINE على القدرة على إعادة استخدام المعلمات المجمدة لنموذج [اللغة](/tag/اللغة) في [تصميم](/tag/تصميم) هيربروكة سياقية، مما يساعد على التغلب على [القيود](/tag/القيود) التي واجهتها [الشبكات](/tag/الشبكات) السابقة. بفضل [الابتكارات](/tag/الابتكارات) المعمارية، توفر SHINE [قوة](/tag/قوة) تعبيرية مذهلة مع [عدد](/tag/عدد) صغير نسبيًا من المعلمات.

تم [تطوير](/tag/تطوير) [منهجيات](/tag/منهجيات) مسبقة [التدريب](/tag/التدريب) وتحسين التعليم، مما يتيح للشبكة [التكيف](/tag/التكيف) وإنتاج وحدات [LoRA](/tag/lora) عالية الجودة من السياقات المتنوعة في مرور واحد. هذا التقدم يُحدث تحولًا جذريًا في الطريقة التي يمكن بها [تحديث](/tag/تحديث) معلمات [نموذج](/tag/نموذج) اللغة، حيث يمكن لSHINE [تمكين](/tag/تمكين) المهام المعقدة للإجابة على الأسئلة المتعلقة بالسياق دون الوصول مباشرة إلى البيانات، مما يحول [المعرفة](/tag/المعرفة) المستندة إلى [السياق](/tag/السياق) إلى [معرفة](/tag/معرفة) مستندة إلى المعلمات بكفاءة.

تُظهر النتائج المتقدمة في مجموعة متنوعة من المهام كيف يمكن لSHINE أن توفر الكثير من الوقت والتكاليف الحسابية وذاكرة النظام مقارنةً بأساليب [التكيف](/tag/التكيف) المعتمدة على [SFT](/tag/sft). ولعل الأهم من ذلك، أن هذه [الابتكارات](/tag/الابتكارات) تفتح آفاقًا جديدة للتوسع في استخدام [الذكاء الاصطناعي](/tag/الذكاء-الاصطناعي).

تُعد SHINE بلا شك خطوة كبيرة [نحو](/tag/نحو) المستقبل في عالم [نماذج](/tag/نماذج) اللغة، وتستحق المتابعة. يمكنكم زيارة [رابط الشيفرة المصدرية](https://github.com/MuLabPKU/SHINE) لمزيد من [الاستكشاف](/tag/الاستكشاف) حول هذا [الابتكار](/tag/الابتكار).