بث مباشر 18.11 · الدفعة 318 نوفمبر، 19:00 بتوقيت موسكو — ورشة عملية مجانية لوكلاء الذكاء الاصطناعي · الدفعة 3 تبدأ 23.11ورشة 18 نوفمبر ←الدفعة 3 (23.11)
إصدارتحليل · على الرادارApple ML Research→ المصدر

Apple ML Research: كيف تتعلم نماذج الانتشار اختيار الرموز دون قواعد استدلالية يدوية

بلغت نماذج اللغة الانتشارية (dLLMs) مستوى نماذج GPT من حيث الجودة، لكن المشكلة الجوهرية تبقى في كيفية اختيار الرمز الذي يُكشف عنه في كل خطوة. تقترح Apple ML Research استبدال القواعد الاستدلالية اليدوية، مثل confidence thresholding، بسياسات قابلة للتعلم: يتعلم النموذج بنفسه الاستراتيجيات المثلى دون ضبط يدوي للمعاملات لكل مهمة.

معالج بواسطة الذكاء الاصطناعي من Apple ML Research؛ بتحرير Hamidun News
Apple ML Research: كيف تتعلم نماذج الانتشار اختيار الرموز دون قواعد استدلالية يدوية
المصدر: Apple ML Research. كولاج: Hamidun News.
استمع للمقال
بطاقة الحقائق والأرقام
المعيارالتفاصيل
المصدر الأصليApple ML Research ↗
رئيس التحرير
حقيقة رئيسية #1يحسّن confidence thresholding جودة العيّنات مقارنة بالكشف العشوائي
حقيقة رئيسية #2تزيد هذه الاستراتيجية token throughput، أي عدد الرموز في وحدة الزمن
حقيقة رئيسية #3العيب هو الحاجة إلى ضبط المعاملات يدويًا لكل مهمة

نشرت Apple ML Research في يوليو 2026 دراسة حول تدريب سياسات كشف الرموز في نماذج اللغة الانتشارية. فبدلًا من القواعد الاستدلالية اليدوية التي تتطلب ضبطًا وتعطي نتائج غير مستقرة، تقترح الدراسة تدريب عملية اختيار الرمز نفسها.

ما هي نماذج اللغة الانتشارية

تختلف نماذج اللغة الانتشارية (dLLMs) اختلافًا جوهريًا عن البنى الانحدارية الذاتية المألوفة مثل GPT أو Claude. فالنموذج الانحداري الذاتي يبني النص بالتسلسل، رمزًا تلو الآخر من اليسار إلى اليمين. أما النموذج الانتشاري فيعمل بطريقة مختلفة: يبدأ من نص «مقنَّع» بالكامل، ثم «يكشف» المواضع تدريجيًا عبر عدة تكرارات.

وفق بيانات Apple ML Research، باتت نماذج dLLMs الحديثة قريبة في الجودة من النماذج الانحدارية الذاتية في كثير من المهام التطبيقية، مع وعد بميزة في سرعة الاستدلال (inference). ولأن النموذج قادر على كشف عدة رموز في خطوة واحدة، فمن الناحية النظرية يمكن بلوغ إنتاجية أعلى بتكاليف حوسبة أقل.

لماذا يحسم اختيار الرمز كل شيء

في كل خطوة انتشار، على النموذج أن يجيب عن سؤال: أي الرموز المقنَّعة المتبقية يكشف أولًا؟ هذا السؤال الذي يبدو تقنيًا في ظاهره يؤثر مباشرة في جودة النص المولَّد وفي سرعة العمل معًا.

النهج الساذج، وهو الاختيار العشوائي للرمز، يتبين أنه أسوأ استراتيجية. ويسجّل باحثو Apple أن القاعدة الاستدلالية confidence thresholding تعطي نتائج أفضل بكثير: إذ يكشف النموذج أولًا المواضع التي تكون ثقته فيها (probability score) الأعلى.

أبرز الحقائق عن القواعد الاستدلالية الحالية:

  • يحسّن confidence thresholding جودة العيّنات مقارنة بالكشف العشوائي
  • تزيد هذه الاستراتيجية token throughput، أي عدد الرموز في وحدة الزمن
  • العيب هو الحاجة إلى ضبط المعاملات يدويًا لكل مهمة
  • أداء هذه القاعدة غير مستقر ويتفاوت بحسب التطبيق

ما الذي تقترحه Apple بدلًا من القواعد اليدوية

الفكرة المحورية في الدراسة هي استبدال القواعد الاستدلالية الثابتة بـسياسة كشف قابلة للتعلم. فبدلًا من أن يختار المطوّر القيم العتبية يدويًا ويضبط المعاملات لكل سيناريو، يتعلم النموذج بنفسه الاستراتيجية المثلى لاختيار الرمز.

«لهذه القواعد الاستدلالية عيوب: فهي تتطلب ضبطًا يدويًا، وأداؤها...» — من ملخص دراسة Apple ML Research.

المبدأ ليس جديدًا في تعلم الآلة: فاستبدال القواعد الاستدلالية البشرية باستراتيجيات تُحسَّن تلقائيًا هو المسار المعتاد من «الضبط اليدوي» إلى «التعلم من البيانات». وعند تطبيقه على نماذج الانتشار، قد يكشف هذا النهج استراتيجيات لكشف الرموز لم يكن المطوّر البشري ليبتكرها مسبقًا، ولا يتطلب إعادة معايرة عند الانتقال إلى مهام جديدة.

ماذا يعني ذلك

تجذب نماذج اللغة الانتشارية الاهتمام بوصفها أحد المناهج البديلة الواعدة لبنية النماذج اللغوية الكبيرة، خصوصًا من زاوية كفاءة الاستدلال. وإذا أمكن تدريب سياسات كشف الرموز تلقائيًا وتفوقت باستمرار على القواعد الاستدلالية اليدوية، فسيزيل ذلك عائقًا عمليًا رئيسيًا أمام استخدام dLLMs في البيئات الصناعية، حيث تكتسب تكلفة التوليد وسرعته أهمية حاسمة.

أسئلة شائعة

بماذا تختلف نماذج اللغة الانتشارية عن GPT؟

تولّد النماذج الانحدارية الذاتية مثل GPT النص بالتسلسل، رمزًا واحدًا في كل مرة. أما نماذج اللغة الانتشارية فتبدأ من نص مقنَّع بالكامل و«تكشفه» تكراريًا عبر عدة خطوات، ما يتيح معالجة عدة مواضع بالتوازي وقد يسرّع الاستدلال.

ما هو confidence thresholding في سياق dLLMs؟

هو قاعدة استدلالية يكشف فيها النموذج في كل خطوة انتشار أولًا الموضع الذي تكون ثقته فيه الأعلى. وتبيّن Apple ML Research أن ذلك يحسّن جودة النص وسرعة التوليد مقارنة بالكشف العشوائي، لكنه يتطلب ضبطًا يدويًا للمعاملات.

القصة

أسئلة وأجوبة حول الخبر

بماذا تختلف نماذج اللغة الانتشارية عن GPT؟

تولّد النماذج الانحدارية الذاتية مثل GPT النص بالتسلسل، رمزًا واحدًا في كل مرة. أما نماذج اللغة الانتشارية فتبدأ من نص مقنَّع بالكامل و«تكشفه» تكراريًا عبر عدة خطوات، ما يتيح معالجة عدة مواضع بالتوازي وقد يسرّع الاستدلال.

ما هو confidence thresholding في سياق dLLMs؟

هو قاعدة استدلالية يكشف فيها النموذج في كل خطوة انتشار أولًا الموضع الذي تكون ثقته فيه الأعلى. وتبيّن Apple ML Research أن ذلك يحسّن جودة النص وسرعة التوليد مقارنة بالكشف العشوائي، لكنه يتطلب ضبطًا يدويًا للمعاملات.

ما أبرز التفاصيل حول ما هي نماذج اللغة الانتشارية؟

تختلف نماذج اللغة الانتشارية (dLLMs) اختلافًا جوهريًا عن البنى الانحدارية الذاتية المألوفة مثل GPT أو Claude. فالنموذج الانحداري الذاتي يبني النص بالتسلسل، رمزًا تلو الآخر من اليسار إلى اليمين. أما النموذج الانتشاري فيعمل بطريقة مختلفة: يبدأ من نص «مقنَّع» بالكامل، ثم «يكشف» المواضع تدريجيًا عبر عدة تكرارات. وفق بيانات Apple ML Research، باتت نماذج dLLMs الحديثة قريبة في الجودة من النماذج الانحدارية الذاتية في كثير من المهام التطبيقية، مع وعد بميزة في سرعة الاستدلال (inference).

ZK
جمال حميدون — مدير المنتجات في Alpina Digital ومدير منتج AlpinaGPT. يبني منتجات الذكاء الاصطناعي منذ 2019. بدأ Hamidun News كمشروع شخصي ثم أصبح مُجمِّعًا إنتاجيًا بأكثر من 6000 قارئ.
✦ Unified AI Workspace · Nomad

Test Frontier LLMs & Autonomous Agents in One Workspace

Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.

Try Nomad AI →Launch Nomad Agent
ما رأيك؟
جارٍ تحميل التعليقات…