في خطوة ثورية نحو تحسين الذكاء الاصطناعي، تم الإعلان عن تقنية جديدة تهدف إلى زيادة كفاءة نماذج اللغات الصغيرة (Small Language Models) بشكل ملحوظ، مع تقليل التكاليف بشكل كبير، ودون الحاجة إلى تغيير أي من أوزان هذه النماذج. من خلال استخدام تقنية جديدة تُعرف بتخزين الحالة الأصلية الدقيقة (byte-exact key-value - KV)، يمكن استرداد المعرفة الموثوقة بفعالية، مما يجعل نماذج الذكاء الاصطناعي أكثر قدرة في سياقات جديدة.

التقنية، التي تم تطويرها بنجاح على نماذج بحجم 12 مليار و31 مليار وحدة، تفيد من استرجاع معرف موثق بدقة تصل إلى مستوى بايت-بايت، لتضمن توافق النتائج على نفس النماذج. يُظهر المعطى أنه عند استخدام مكتبة حلول موثوقة محاطة بنموذج Gemma-4-12B المتجمد، يمكن تحقيق زيادات كبيرة في الأداء—from 80% إلى 93.3%—مقابل الحصة الأصلية، مما يضمن توفير مستمر للطاقة والموارد.

واحدة من أكثر النقاط إثارة هي القدرة على تقليص عدد التوكنات المطلوبة للتحليل. في حالة معينة، تم استخدام حلول موثوقة مخزنة للإجابة على ثماني مشكلات دون الحاجة إلى تجاوز عتبة 401,026 توكن، مما أدى إلى توفير استثنائي في موارد المعالجة، بما يعادل 8,700 مرة أقل من الطاقة المستخدمة سابقًا.

كما تُوسع تقنية التخزين الدقيقة من مجال الاستخدام الفعال، حيث يتمكن الذكاء الاصطناعي من استيعاب 2,854,766 توكنات دون الحاجة إلى مزيد من الذاكرة للمعالجات. هذه التطورات تشير إلى آفاق واعدة لفهم وتطبيق نماذج الذكاء الاصطناعي بطرق أكثر كفاءة وفاعلية.

تسليط الضوء على هذه الابتكارات يعكس الإمكانيات المذهلة التي تنتظرنا في عالم الذكاء الاصطناعي. ما رأيكم في هذا التطور؟ شاركونا في التعليقات.