في عالم الذكاء الاصطناعي، يلعب اختيار نموذج اللغة (Language Model) دورًا حيويًا في تحقيق نجاح المهام الموكلة إلى الوكلاء، لكن تحديد النموذج الأمثل قد يكون محيرًا ومعقدًا.

تتناول دراسة حديثة متخصصة كيفية الوصول إلى أفضل خيار من النماذج اللغوية الكبيرة (Large Language Models) لتحقيق الكفاءة في استخدام الموارد مثل الطاقة والتكلفة والوقت. ووفقًا للبحث، فإن استخدام نموذج لغوي أصغر لا يعني دائمًا الكفاءة الأكبر، حيث يتطلب الأمر النظر في طول المهام المعينة ومدى موثوقية النموذج.

يعتبر البحث مسألة قرار متعددة المعايير، حيث يمكن أن يؤدي إجراء مقارنات على أساس كل مكالمة إلى نتائج مضللة. ففي حالة المهام التي تتطلب خطوات متعددة، يتم قياس النجاح فقط عندما تنجح جميع الخطوات. وأي محاولات فاشلة تستهلك الموارد أيضًا. لذلك، تم تطوير إطار عمل مكون من مرحلتين؛ الأولى عبارة عن تقييم للهيمنة دون تفضيلات، تليها تصنيفات متعددة المعايير للنماذج الفعالة.

وفي تجارب أولية شملت 15 نموذجًا وزنيًا مفتوحًا على مهام وكيل اصطناعي، تم إيجاد أن النموذج الذي يحتوي على 3 مليارات معلمة استخدم عُشر الطاقة مقارنةً بنموذج يحتوي على 27 مليار معلمة عند إتمام 20 خطوة. ولكن عند زيادة عدد الخطوات إلى 100، تبين أن نموذجًا يحتوي على 1.7 مليار معلمة استخدم طاقة تُعادل أربع مرات ذلك المستخدم من نموذج يحتوي على 8 مليارات معلمة.

بذلك، يتضح أن الاستخدام الفعّال للنماذج اللغوية الصغيرة يتوقف على طول المهام، مما يعكس أهمية البحث الدقيق عند تطوير الوكلاء الذكاء الاصطناعي المستدام.