Mine-Sample-Render: منهجية ثلاثية المراحل لتوليد متنوع

عندما يُفقَد التنوع عند الناتج

حققت النماذج التوليدية الحديثة جودة مثيرة للإعجاب — من النصوص إلى الصور، ومن الفيديو إلى الأصول ثلاثية الأبعاد. لكن هناك مفارقة: هذه النماذج نفسها تُنتج باستمرار عينات غير متنوعة، حتى عند الطلب منها صراحةً تحقيق التنوع. نص سليم لغوياً لكنه مُمل؛ صورة عالية الجودة لكنها تشبه السابقة؛ محاكاة صحيحة لسلوك المستخدم لكنها متكررة.

اقترح الباحثون Kostas Triaridis و Morris Sharp و Nebojsa Jojic من Microsoft Research نهج MINE-SAMPLE-RENDER (MSR)، وهو نهج يعكس المشكلة رأساً على عقب. فبدلاً من الاعتماد على آلية العشوائية المدمجة في النموذج، يقترح الباحثون إجراءً صريحاً ومُتحكَّماً فيه يُطبَّق في مرحلة الاختبار. الفكرة بسيطة: أخذ مجموعة بيانات من الأمثلة الفعلية، واستخلاص خريطة للتنوع منها، ثم استخدام هذه الخريطة لتوجيه عملية التوليد.

مسار ثلاثي المراحل

المرحلة الأولى هي الاستخراج (Mining). تُحلّل الطريقة مجموعة بيانات من القطع الفعلية (تقارير الأحوال الجوية، تصاميم الويب، أوصاف المستخدمين) وتستخلص منها مخططاً فئوياً — أي بنية السمات التي تتغير في البيانات. وفي الوقت نفسه، تُحسب إحصاءات هذه السمات، والتي ستكون مرشداً للمراحل التالية.

المرحلة الثانية هي أخذ العينات (Sampling). استناداً إلى الإحصاءات المستخلصة، تأخذ الطريقة عينات من تكوينات محددة للسمات. وهذه ليست أرقاماً عشوائية، بل اختيار مُدرَك مستمد من التوزيع المُلاحَظ في البيانات الفعلية. تُختار السمات بحيث يعكس التنوع النهائي تنوع مجموعة البيانات.

المرحلة الثالثة هي التصيير (Rendering). هنا، يخدم النموذج التوليدي فقط كأداة تصيير شرطية. فالنموذج لا يُقرّر ما سيُولِّده — فهذا القرار قد اتُّخذ مسبقاً في مرحلة أخذ العينات. يأخذ النموذج فقط تكوين السمات ويُولِّد الناتج المطابق له. وهذا يُقلّل من إنتروبيا العملية ويُحسّن قابلية إعادة إنتاج النتائج.

اختُبرت الطريقة في خمسة مجالات مختلفة: توليد تقارير الأحوال الجوية، محاكاة سلوك المستخدمين، تصميم صفحات الويب، تحويل النص إلى صورة (text-to-image)، وإنشاء أصول ثلاثية الأبعاد بواسطة الوكلاء. في جميع الحالات، حسّن MSR التوافق مع توزيع مجموعة البيانات وتنوع المخرجات مع الحفاظ على الجودة.

السياق والمناهج ذات الصلة

تجتذب مشكلة التنوع في النمذجة التوليدية اهتماماً متزايداً من الباحثين. ونُوقِشت مؤخراً على منصة Hugging Face أعمال قريبة من هذا الموضوع:

• «Gacha Decoding: Eliciting Diverse Generations Through Instruction Following» (2026)
• «Do Large Language Models Capture the Diversity in their Training Data?» (2026)
• «Beyond Mode Collapse: Generating Diverse Synthetic Expert Conversations via Generative Flow Networks» (2026)
• «DOGS: Design-Space Sampling for Prompt-Driven Logo Generation» (2026)
• «Gap Detection: Mitigating Homogenization through Demand and Defensibility» (2026)
• «A Ticket from Marginals to Joints: Coupled-Noise Distillation for One-Step Block Generation in Diffusion Language Models» (2026)
• «DiVid: Diagnosing Dimension-Specific Diversity Collapse in Video Generation Models» (2026)

يتميز MSR بطابعه العملي: فهو نهج يُطبَّق في مرحلة الاختبار ولا يتطلب إعادة تدريب النموذج. ويمكن تطبيقه على أي نموذج توليدي قائم حالياً، وهذا ما يجعل هذه الطريقة أداة شاملة لتحسين تنوع المخرجات.