في عالم نماذج الذكاء الاصطناعي، يمثل نظام التوسع التدريجي لسعة المحولات البصرية (Vision Transformer) خطوة رائدة نحو تحسين الأداء في بيئات متعددة المهام. يُظهر نموذج JEPA (Joint-Embedding Predictive Architectures) كيفية استخدام محولات بصرية ذات حجم ثابت، والتي غالبًا ما تكون متجاوزة للمتطلبات في المهام البسيطة وغير كافية في تلك المعقدة. هذا التحدي يقابل برؤية جديدة تُعرف بنموذج التوسع التدريجي في السعة (Successive Capacity Growth) الذي يقترح البدء من مشفر بسيط للغاية، ومن ثم التقدم بشكل تدريجي ليتم التوسع في العرض (إضافة رؤوس انتباه لتحسين الفهم السيمانتكي) أو في العمق (إضافة كتل تحويل لمزيد من المجردات السيمانتية).

يتبنى هذا النظام آلية اختبار وتحقيق غير معتمدة على المهمة، مما يتيح التعديلات المعمارية بشكل آمن، بالإضافة إلى العودة إلى الوراء إذا لم تحقق تحسينًا في فقدان التنبؤ. يتم استخدام منتظم Gaussian للحفاظ على البعد (SIGReg) لضمان استقلالية الأبعاد السيمانتكية المكتسبة، مما يمنع الانهيار حتى مع نمو المعمارية.

في دراسة ميدانية، على مهام ديناميكية متعددة الأبعاد، أظهر النظام الجديد تحسينًا في فقدان التنبؤ بنسبة 20.3% مقارنة بالنموذج الثابت، مع كفاءة في المعلمات تفوق 56 مرة عن النموذج الكبير الثابت. كما أظهر تحسينًا تصل نسبته إلى 23% في مهمة التنقل بعد توسيع عرض واحد.

ينبغي الإشارة إلى أن نماذج JEPA لا تحتاج إلى تخصيص سعاتها عند أعلى مستوى، بل يمكن أن تنمو تدريجيًا حسب متطلبات المهمة، مما يحقق كفاءة كبيرة في الحوسبة والبيانات مع الحفاظ على جودة التمثيل. إن هذه الاستراتيجية تقدم بُعدًا جديدًا لهندسة نماذج الذكاء الاصطناعي، حيث تقوم بتقليل التعقيد وتحسين الكفاءة التشغيلية.