مع تطور تقنيات الذكاء الاصطناعي، برزت نماذج اللغة المستندة إلى التشتت (Diffusion Language Models) كبديل واعد لتوليد اللغة التلقائي. تعتمد هذه النماذج على إمكانية الترميز المتوازي وتحسين معالجة كامل التسلسل، مما يفتح آفاقاً جديدة في عالم اللغات. ومع ذلك، تظل التحديات قائمة في تحقيق توازن جيد بين جودة الإنتاج وسرعة الترميز.

تسعى الطرق المتبعة حالياً إلى تحسين هذا التوازن من خلال الترميز الكتلي، حيث تتم معالجة أجزاء النموذج بشكل متسلسل. ولكن غالباً ما تستند الأساليب الحالية إلى جداول ثابتة أو إشارات محلية للخطوة الحالية لتحديد حدود الكتل، مما يحد من الفعالية ويؤثر سلباً على الجودة.

في هذه الورقة، نقدم تقنية ديب كاب (DepCap) التي تشكل إطاراً خالياً من التدريب لتحسين ترميز نماذج اللغة المستندة إلى التشتت. تتركز فكرة ديب كاب على تقديم إشارات متقاطعة تحدد كيفية تمدد الكتلة التالية بناءً على تأثير الكتلة الأخيرة المرموزة. كما يعمل النظام على التعرف على مجموعة خالية من النزاعات من الرموز، الأمر الذي يسهل الترميز المتوازي بشكل آمن داخل كل كتلة.

تظهر التجارب أن ديب كاب يقدم تحسينات ملحوظة في سرعة الترميز، حيث تحقق سرعة أعلى تصل إلى 5.63 مرة مقارنة بالطرق التقليدية، مع الحفاظ على جودة الأداء بشكل كبير. هذه التكنولوجيا ليست مجرد تحسين تقني، بل تمثل خطوة نحو مستقبل أكثر كفاءة في معالجة اللغة الطبيعية.