النماذج اللغوية الصغيرة والرسوم البيانية المعرفية: مفتاح الذكاء الاصطناعي العملي

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.