تحسين المخرجات المهيكلة بنماذج 350 مليون معامل: كفاءة خوارزمية «جي آر بي أو» في تقليص فجوة الدقة المعمارية

أظهرت تجارب تقنية حديثة نشرتها منصة «هاغينغ فيس» إمكانية رفع دقة التزام النماذج اللغوية الصغيرة بالمخرجات المهيكلة بنسبة ملحوظة عبر استخدام خوارزمية تحسين السياسات النسبية الجماعية، المعروفة اختصارًا باسم «جي آر بي أو»، وذلك بالاعتماد على مكتبة «تي آر إل» مفتوحة المصدر ودون الحاجة إلى عتاد حوسبي فائق التكلفة.

استهدفت التجربة نموذج «إل إف إم 2.5» بحجم 350 مليون معامل والمطور من قبل «ليكود إيه آي»، والذي يعتمد بنية معمارية هجينة تجمع بين آليات الانتباه والالتفاف الرياضي. وخضع النموذج لضبط دقيق خفيف عبر تقنية «لورا» طال نحو 6 ملايين معامل فقط، أي ما يعادل 1.66% من إجمالي معامِلاته، مع تدريبه على قرابة 500 عينة مستخرجة ومعدلة من حزمة بيانات «نيموترون» التابعة لشركة «إنفيديا» خلال 100 خطوة تدريبية فقط، وهي متطلبات تشغيلية يمكن تنفيذها على بطاقة رسومية مجانية في بيئات مثل «كولاب» أو «كاغل».

تثبت التجربة أن ضبط السلوك الهيكلي لا يتطلب بالضرورة إعادة تدريب موسعة أو نماذج مليارية باهظة الاستدلال، بل يكفي توجيه النموذج بإشارات مكافأة رياضية محددة بدقة.

اعتمد مسار التدريب على دمج ثلاث دوال للمكافأة بأوزان ترجيحية متباينة: الأولى مكافأة صحة تنسيق البيانات بصيغة «جيسون» بوزن 1.0، والثانية مكافأة مطابقة عدد الحقول المستخرجة بوزن 0.5، بينما حازت دالة التحقق من صحة المخطط الهيكلي على الوزن الأكبر البالغ 2.0، لضمان استيفاء الحقول الإلزامية وتجنب تشتت المخرجات خارج القيود البرمجية المحددة.

وعند تقييم النموذج المضبوط على معيار «آي إف ستركت» المخصص لاختبار صحة المخرجات البرمجية، ارتفعت نسبة النجاح الإجمالية للنموذج من 22.6% للنسخة الأساسية إلى 29.7% بعد التدريب عبر منظومة الاستدلال «لاما دوت سي بي بي». وتركز التحسن الفعلي في مخرجات «جيسون» التي قفز معدل نجاحها من 18% إلى 31.9%، مقتربة من أداء نماذج أكبر حجمًا مثل «كوين 3.5» بحجم 2 مليار معامل والذي يحقق 33.15% على نفس المعيار، في حين بقيت مخرجات صيغة «يامل» شبه ثابتة عند 27.5%.

يحمل هذا التحول في آليات الضبط دلالة عملية مباشرة للمطورين والفرق التقنية في الخليج ومصر والمنطقة العربية، حيث تمثل كلفة الاستدلال والبنى التحتية السحابية عائقًا أمام أتمتة خطوط معالجة البيانات واستخراج الجداول والتقارير. إن القدرة على تحويل نموذج متناهي الصغر بحجم 350 مليون معامل إلى محرك استخراج موثوق عبر 100 خطوة تدريبية تتيح تشغيل مهام استخراج الكيانات وفرز المعاملات محليًا على خوادم داخلية منخفضة المواصفات أو أجهزة طرفية، دون تسريب البيانات الحساسة أو الاعتماد المتكرر على استدعاءات واجهات النماذج السحابية العملاقة.