في عالم الذكاء الاصطناعي، تتحكم نماذج اللغات الكبيرة (Large Language Models) في صناعات عديدة بفضل قدرتها الفائقة على معالجة البيانات والنمذجة. وقد أجريت دراسة جديدة تستعرض أداء هذه النماذج إزاء مهام تحليل العوامل الديناميكية، من خلال تقييم نماذج سحابية ومصادر مفتوحة محلية.

تتضمن الدراسة تجربتين رئيسيتين: "لوحة الصدارة لتحليل العوامل الديناميكية" (CLD Leaderboard) و"لوحة النقاش" (Discussion Leaderboard). في تجربة CLD، كانت النماذج السحابية تتفوق من حيث معدلات النجاح، حيث حققت معدلات تتراوح بين 77% و89%، بينما سجل أفضل نموذج محلي معدل نجاح 77%، مما يعني أنه يوفر أداءً جيدًا مقارنةً بالنماذج السحابية المتوسطة.

أما في تجربة النقاش، فقد حقق أفضل النماذج المحلية معدلات تتراوح بين 50% و100% في خطوات بناء النموذج، لكن فقد كان الأداء ضعيفًا في تصحيح الأخطاء، حيث تراوحت النتائج بين 0% و50%. يعزى ذلك إلى قيود الذاكرة في النماذج المحلية، حيث تستدعي هذه المهمة إدخالات طويلة الصياغة مما يكشف عن محدودية الذاكرة في هذه النماذج.

تتناول الدراسة أيضًا تأثير أنواع النماذج على الأداء، حيث يقوم الباحثون بمقارنة بنى النماذج التي تستخدم أساليب التفكير المختلفة مع التركيز على تقنيات إدخال التعليمات والتأثيرات الناتجة عن الخيار بين الواجهات الخلفية ( مثل GGUF مقابل MLX). وتظهر النتائج أن اختيار الواجهة الخلفية يؤثر بشكل أكبر من مستوى التكميم، مما يستدعي الانتباه إلى كيفية استخدام التعليمات الخاصة بالبيانات الهيكلية مثل JSON.

تؤكد الدراسة على أهمية فهم أداء النماذج الديناميكية في سياقات مختلفة وتمهد الطريق لممارسات محسنة في مجال الذكاء الاصطناعي، من خلال توفير دليل عملي لتشغيل النماذج ذات 671 مليار إلى 123 مليار باراميتر على أنظمة Apple.

ما رأيكم في هذه التطورات المتسارعة في مجال الذكاء الاصطناعي؟ شاركونا آراءكم في التعليقات!