النماذج اللغوية الصغيرة والرسوم البيانية المعرفية: مفتاح الذكاء الاصطناعي العملي
تُظهر النماذج اللغوية الصغيرة والرسوم البيانية المعرفية أنها مفتاح الذكاء الاصطناعي العملي، حيث تتفوق على النماذج اللغوية الكبيرة في المهام المتخصصة وتطبيقات الأعمال، مما يوفر تركيزًا وكفاءة أكبر.
آخر تحديث
نادراً ما يمر أسبوع دون حدوث اختراق في النماذج اللغوية الكبيرة (LLMs). إنها أرخص في التدريب وتزداد ذكاءً، فلماذا إذن نجهد أنفسنا بشقيقها الأصغر، النماذج اللغوية الصغيرة (SLMs)؟
بالنسبة لأي فريق تطوير جاد في تقديم ذكاء اصطناعي عملي، يعود الأمر كله إلى التركيز والملاءمة. تعتبر النماذج اللغوية الكبيرة رائعة للمهام العامة وغير المتخصصة في مجال معين، ولكن عندما يحتاج الذكاء الاصطناعي إلى أن يكون مفيدًا حقًا في سياق الأعمال، فإن استخدام نموذج لغوي صغير، أو حتى اتحاد من النماذج اللغوية الصغيرة التي تدعم نموذجًا لغويًا كبيرًا، غالبًا ما يكون الخيار الأذكى.
لماذا؟ لأن محركات الاستدلال الرائدة تُظهر أن استخدام ذكاء اصطناعي للأغراض العامة لمهمة مركزة أو رقمية غالبًا ما يكون مبالغًا فيه، ويزيد من المخاطر. على سبيل المثال، يستخدم DeepSeek R1 إعدادًا "مزيجًا من الخبراء" مع 671 مليار معلمة، ولكن يتم تنشيط 37 مليار معلمة فقط لكل استعلام.
قد يعجبك
- زلزال وتسونامي هائل في روسيا: لا تأثير على الكابلات البحرية
- فلاتر نصوص iOS 26 من Apple قد تكلف الحملات السياسية ملايين الدولارات
- ريد هات تتيح وصولاً مجانياً لـ Enterprise Linux للمطورين
- نتفليكس تبث إطلاقات صواريخ ناسا والمشي في الفضاء مباشرة
- جوجل مطالبة بدفع 425 مليون دولار لانتهاك خصوصية المستخدمين
- VSCode تحت الحصار: اكتشاف 24 ملحقًا ضارًا يستهدف حاملي العملات المشفرة
- جنرال موتورز وريدوود تتعاونان لبناء وحدات تخزين الطاقة من بطاريات السيارات الكهربائية المعاد تدويرها
- ناسا تمدد مهمة مراقبة جودة الهواء من الفضاء