في عالم الذكاء الاصطناعي، تعتبر وكالات نماذج اللغات الضخمة (LLM) أدوات قيمة، لكن ماذا يحدث عندما تتطلب مهام معينة مهارات أكثر تخصيصًا من المكتبات الثابتة؟ هنا يأتي دور تقنية جديدة مثيرة تُعرف باسم **SkillTTA**، وهي طريقة لتوليد المهارات بشكل تكيفي خلال الاختبار.

تهدف SkillTTA إلى تخطي القيود التقليدية من خلال استرجاع مجموعة صغيرة من المسارات التدريبية المتعلقة بمهمة معينة وتوليد مهارات نصية مؤقتة تتوافق مع تلك المهمة. وهذا يعني أن النموذج يبقى ثابتًا، وتحدث عملية التكييف بالكامل من خلال السياق المولد بدلاً من تحديثات المعلمات.

أظهر تقييم SkillTTA على مجموعة من المنصات مثل **SpreadsheetBench** و**ALFWorld** و**BigCodeBench** نتائج رائعة. على سبيل المثال، حققت المهارات الخاصة بالمهمة تحسينًا ملحوظًا في ودجات SpreadsheetBench، حيث ارتفع معدل النجاح Pass@1 من 0.397 إلى 0.505، بينما قفز في BigCodeBench من 0.517 إلى 0.651.

وبفضل استخدامها لكميات صغيرة من استرجاع المسارات، أثبتت SkillTTA أنها أكثر فعالية من الطرق التقليدية في توليد المهارات. وعلى منصة ALFWorld، قارب الأداء المعدل للذاكرة الأثقل في معدل النجاح، مع إنتاج أقصر المسارات الناجحة بين الطرق المعروضة.

تشير التجارب كذلك إلى أهمية الاستفادة من المسارات الفاشلة، حيث تساعد هذه البيانات في توضيح الأخطاء المتكررة التي قد يواجهها المقيمون. وبذلك، تضع SkillTTA حجر الزاوية لحقبة جديدة من الذكاء الاصطناعي القابل للتكيف والتفاعل مع البيانات والمواقف المتغيرة.