في عالم الذكاء الاصطناعي، تعتبر نماذج اللغة الكبيرة (Large Language Models) أحد أبرز الابتكارات التي أحدثت تغييرًا جذريًا في كيفية معالجة البيانات وتفسيرها. ومع تزايد الحاجة إلى تحسين كفاءة هذه النماذج، قدم الباحثون استراتيجية جديدة تُعرف بالخروج المبكر ثنائي الأبعاد (2D Early Exit).

تركز هذه الاستراتيجية على تنسيق الخروج على مستويي الطبقات والجمل، مما يتيح معالجة مدخلات البيانات بشكل تدريجي. تتم عملية المعالجة بالاعتماد على جملة واحدة تلو الأخرى، مع تفعيل الطبقات بشكل متزايد، مما يؤدي إلى توفير كبير في الموارد الحاسوبية يتجاوز تلك الناتجة عن تحسين أي بُعد بمفرده.

أجريت تجارب على أربع نماذج متطورة من نماذج اللغة الكبيرة مثل Llama 3.1 و Llama 3.2 و Gemma و Qwen (بمعلمات تتراوح بين 3 إلى 8 مليار)، وذلك على ثلاثة مجموعات بيانات لتصنيف المشاعر. وقد أظهرت النتائج تحسنًا كبيرًا في السرعة بمعدل يتراوح بين 1.4 إلى 2.3 مرة مقارنةً بأفضل أساليب الخروج المبكر على مستوى الطبقات في المهام الأبسط باستخدام النماذج التقليدية، مع أداء جيد في المشكلات المتعددة الفئات.

المثير للاهتمام أن هذه الاستراتيجية تتسم بأنها غير مرتبطة بنموذج معين، وتتطلب فقط محولات تصنيف خفيفة، مما يجعلها مرنة ويمكن تطبيقها على مهام معالجة تسلسلية أخرى بعيدة عن تصنيف المشاعر. إن هذه الأبحاث تفتح آفاقًا جديدة لتحسين الكفاءة في نماذج اللغات المعقدة وتحديات الذكاء الاصطناعي المستقبلية.

ما رأيكم في هذه الاستراتيجية الجديدة؟ هل تعتقدون أنها ستحدث تغيرات كبيرة في كيفية تعاملنا مع نماذج اللغة الكبيرة؟ شاركونا في التعليقات!