أصبح مجال الذكاء الاصطناعي (AI) يتطور بسرعة، ولا سيما في أبحاث إعادة صياغة النصوص القصيرة. يعد إعادة صياغة النصوص القصيرة (Short-form text rewriting) نوعاً خاصاً من إعادة الصياغة حيث تكون المساحة المتاحة للتغيير محدودة، مما يتطلب دقة عالية في المعاني. وفي وقت يتفوق فيه نماذج اللغات الكبيرة (Large Language Models) في إعادة الصياغة العامة، تجد نماذج اللغة الصغيرة (Small Language Models) نفسها تواجه تحديات مثل الحفاظ على الوفاء الدلالي (semantic fidelity) ومقاومة الأخطاء الوهمية (hallucination robustness) في إعدادات النصوص القصيرة.

في هذا العمل، نقدم دراسة تجريبية تركز على كيفية تحسين نموذج اللغة الصغيرة Phi Silica لتلبية متطلبات إعادة صياغة النصوص القصيرة. تم ذلك من خلال تنسيق مجموعات البيانات (dataset curation) وعمليات تقطير التعليمات (prompt distillation) والتعديل الفعّال للمعلمات (parameter-efficient fine-tuning) والتقييم. لقد قمنا بتنسيق مجموعة بيانات تحتوي على نصوص قصيرة بأسلوب عرض تقديمي مأخوذة من شرائح عامة. ثم استخدمنا نموذج GPT-5-chat لتوليد إشراف إعادة الكتابة ولإجراء تقييم شامل.

تظهر النتائج أن عملية التعديل الفعّال تمنح تحسيناً كبيراً في الوفاء الدلالي، وتقليل الأخطاء الوهمية، وزيادة معدلات التفوق عند مقارنتها بإعادة صياغة GPT-5-chat. تكشف هذه النتائج عن إمكانية التقليل بشكل كبير من الفجوة بين نماذج اللغة الصغيرة ونماذج السحابة، مما يوفر توجيهات عملية لتحسين هذه النماذج في مهام إعادة الكتابة التي تتطلب دقة عالية.

إذا كنت متحمساً لتطورات الذكاء الاصطناعي وكيفية تأثيرها على تحسين النصوص القصيرة، فلا تتردد في مشاركة آرائك وتعليقاتك.