في عالم الذكاء الاصطناعي، تُعد النماذج اللغوية الضخمة (Large Language Models) جزءًا محوريًا من التطورات التكنولوجية. ومع ذلك، كانت أساليب توليد المهارات النصية تعتمد غالبًا على قواعد بيانات تم إعدادها يدويًا، أو التعلم المعزز الذي يقدم تغذية راجعة غير مباشرة ومتأخرة. ولتجاوز هذه العقبات، قام باحثون بتقديم إطار جديد يُدعى SkillFM (توليف تدفق المهارات).
هذا الإطار المبتكر يتجاوز الطرق التقليدية من خلال تقديم مهارات نصية مشروطة بالمهمة بشكل مباشر، مما يُعفي الوكلاء من مهمة استرجاع المهارات أثناء التشغيل.

يتضمن SkillFM تقنية ترميز متقدمة لدمج المهارات النصية وإعادة بنائها في فضاء كامن مستمر، بالإضافة إلى نموذج تدفق شرطي مُدرب باستخدام أسلوب MeanFlow المحسن. في وقت الاختبار، يمكّن المجال السريع المكتسب من أخذ عينات كامن خطواتٍ واحدة، حيث يُحوّله مُشفر يعتمد على نموذج لغوي ضخم إلى توجيه نصي لوكيل مُجمد في مهمته.

نجحت تقييمات هذا الإطار في المهام المعقدة التي تشمل التفاعل الجسدي، الإجابة على الأسئلة، والتسوق عبر الإنترنت. حيث أثبتت نتائجنا على ALFWorld وSearch-QA أن أسلوبنا حقق الأداء الأفضل بين الأساليب المعتمدة على المهارات المستندة إلى المتجهات. ولتقديم المزيد من التأكيد على فعالية الابتكار، أظهرت تحليلاتنا أن توليد المهارات الكامنة يعد بديلاً فعالًا على تعزيزه استرجاع المهارات المعتمدة.

يمكنكم الحصول على الشيفرة ومكتبات تدريب المهارات عبر الرابط: SkillFM GitHub.