في عالم الترجمة الآلية، تظل النماذج متعددة اللغات واحدة من أكبر التحديات التقنية. في دراسة حديثة، تم التركيز على تقنية دمج نماذج الوزن (Weight-Space Model Merging)، التي تسمح بدمج نقاط التحقق التي تم ضبطها بشكل مستقل دون الحاجة للوصول إلى بيانات التدريب الأصلية. رغم أن هذه التقنية أثبتت بعض النجاح في سياقات متعددة المهام، إلا أن سلوكها في الأنظمة اللغوية متعددة اللغات لا يزال يحتاج إلى مزيد من البحث.

لقد أجرى الباحثون دراسة منهجية على دمج النماذج اللغوية من خلال إجراء ضبط كامل للنماذج على مجموعات بيانات ثنائية اللغة كبيرة، وتقييم استراتيجيات دمج تمثيلية تشمل بيئات مختلفة مثل مشاركة المصدر، مشاركة الهدف، والتوحيد في الاتجاهين.

تظهر النتائج أن هناك عدم تماثل توجيهي قوي؛ حيث كان دمج النماذج أكثر فعالية عندما تتشارك النماذج لغة هدف، مما يعزز التغطية اللغوية مقارنة بالنموذج الأساسي، لكنه لا يظل يحافظ على الأداء الأقصى لنقاط التحكم الخاصة باللغات. على العكس، عندما تختلف لغات الهدف، يحدث تدهور حاد في الأداء، لا سيما في إعدادات المشاركة الثنائية.

لتوضيح هذا السلوك، قام الباحثون بتحليل التمثيلات الداخلية للنماذج، وتوصلوا إلى أن ضبط النماذج لا ينتج عنه شبكات فرعية خاصة باللغات منفصلة. بدلاً من ذلك، تنشط النماذج التي تم ضبطها بشكل مستقل نيورونات متداخلة إلى حد كبير، مما يؤدي إلى إعادة تشكيل تمثيلات توليد الهدف في هندسات غير متوافقة.

تشير هذه النتائج إلى أن فشل الدمج متعدد اللغات ينشأ من عدم التوافق الهندسي على جانب الهدف داخل الوحدات الحسابية المشتركة، مما يتحدى الافتراضات الأساسية المرتبطة بدمج الوزن القياسي في الترجمة متعددة اللغات. للمزيد من التفاصيل، يمكنكم الاطلاع على الشيفرة المصدرية المتاحة للجميع عبر الرابط: رابط الشيفرة.

ما رأيكم في هذه النتائج؟ هل تعتقدون أنها ستحدث تغييراً في تقنيات الترجمة الآلية؟ شاركونا آراءكم في التعليقات!