في سياق الابتكارات المتسارعة في عالم الذكاء الاصطناعي، تظهر تقنية جديدة تُعرف بإدارة الكميات (Quantization) التي لا تتطلب تدريبًا مباشرًا للنماذج. تُظهر دراسة حديثة أُجريت حول "الكمية الصفرية عبر حساب الوزن" (Zero-Shot Quantization via Weight-Space Arithmetic) كيف يمكن تحسين أداء النماذج الذكية من خلال ما يُعرف بـ "متجه الكمية" (Quantization Vector).

تستند هذه التقنية إلى مفهوم وزن المساحة (Weight Space) حيث يتم استخراج متجه الكمية من مهمة مانحة (Donor Task) باستخدام حسابات بسيطة، مما يسمح بتعديل نموذج متلقي (Receiver Model) وبالتالي تحسين دقته في تصنيف الصور بعد تطبيق الكمية، بأكثر من 60 نقطة في دقة التصنيف مع إعداد 3 بتات.

والأهم أنه يمكن تحقيق هذا التحسين دون الحاجة إلى مجموعة بيانات تعليمية للنموذج المتلقي، مما يجعلها بديلاً منخفض التكلفة مقارنة بتدريب هذا النموذج لاستخدام الكمية الواعية (Quantization-Aware Training - QAT). على مدار أربع مقاييس من نماذج ViT (Vision Transformer) و22 مهمة تصنيف صور مختلفة، أثبتت متجهات الكمية قدرتها الفائقة على تحسين الأداء، حتى عند اختلاف ظروف المهام بين النموذج المانح والمتلقي.

تظهر هذه النتائج الجديدة كيف يمكن عزل واستغلال وتحويل متانة الكمية باستخدام حسابات بسيطة في وزن المساحة. إن هذا البحث يعيد تشكيل فهمنا لطرق تحسين نماذج الذكاء الاصطناعي ويوفر خيارات أكثر مرونة ومبتكرة لمواجهة تحديات انخفاض دقة النماذج في التطبيقات العملية.