Tsinghua تكشف Jev-LDE: تحرير أمثلة ICL مرة واحدة لرفع دقة 1-shot

اقترح باحثون من Tsinghua طريقة Jev-LDE لتحسين التعلّم في السياق (in-context learning) لا بإضافة أمثلة إلى الموجّه (prompt)، بل بتحرير الأمثلة الموجودة أصلًا. ويتم التحرير مرة واحدة فقط. وبعده يحقق النموذج في وضع 1-shot، أي بمثال توضيحي واحد، متوسط دقة أعلى بشكل ملحوظ. وقد نقل الخبر موقع Jiqizhixin في 14 أكتوبر 2026. ولا تتضمن المقتطفات المتاحة من المادة قيمًا محددة لهذا التحسن، ولذلك لا نوردها ولا نقيّمها.

ما المشكلة التي يعالجها Jev-LDE

يعمل ICL القياسي على النحو التالي: يستخرج النظام من مكتبة الأمثلة عددًا من الأمثلة الأقرب، أي Top-K، ويضعها في الموجّه إلى جانب السؤال الحالي. ويشير المؤلفون إلى نقطة ضعف في هذا النهج: فالأمثلة التي يعثر عليها Top-K لا تلائم بالضرورة النموذج المستهدف تحديدًا. كما أن القرب في فضاء التضمين (embedding) لا يضمن أن يساعد المثال في حل المهمة.

وثمة مشكلة ثانية تتعلق بالكلفة. فكل مثال إضافي يزيد طول السياق وكلفة الاستدلال (inference)، ويُدفع ثمن السياق مع كل طلب. وقد تربك الأمثلة غير ذات الصلة أو المكررة النموذج أيضًا.

وعادةً تُعالج المشكلة من جهة الاسترجاع: يُغيَّر المسترجِع (retriever)، أو يُعاد ترتيب المرشحين، أو يُضبط K. أما Jev-LDE، بحسب عنوان الورقة، فينقل التركيز إلى المثال نفسه. فإذا تحسّن المثال التوضيحي، قد يغني مثال واحد عن مجموعة كاملة.

ما المعروف عن الطريقة

المعلومات قليلة، ومن المهم قول ذلك صراحة. وهذا ما يمكن تأكيده استنادًا إلى العنوان والمقدمة:

• المؤلفون: فريق من Tsinghua
• الطريقة: Jev-LDE، تحرير الأمثلة التوضيحية لأغراض ICL
• وتيرة التحرير: مرة واحدة، وليس عند كل طلب
• وضع التقييم: 1-shot
• النتيجة: ارتفاع متوسط الدقة، ولم تُكشف قيمته في النص المتاح
• المصدر: Jiqizhixin، 14.10.2026

وتبقى مفتوحة أسئلة تتوقف عليها قيمة العمل. ماذا يعني اختصار الاسم؟ من الذي يحرّر الأمثلة: النموذج المستهدف، أم نموذج لغوي كبير (LLM) آخر، أم خوارزمية بحث؟ وعلى أي نماذج ومجموعات بيانات جرى القياس؟ وهل تنتقل الأمثلة المحرَّرة بين النماذج، أم أن التحرير مرتبط بنموذج واحد؟ وبدون إجابات عن هذه الأسئلة لا يمكن القول إن كانت الطريقة أسلوبًا عامًا أم ضبطًا مخصصًا لاختبار أداء (benchmark) بعينه.

لماذا يهم ذلك على الصعيد العملي

الجدوى الاقتصادية للفكرة جذابة. فتحرير المثال مرة واحدة تتوزع كلفته على كامل تدفق الطلبات، والموجّه الأقصر يخفض زمن الاستجابة وفاتورة الرموز (tokens) معًا. وفي المنتجات ذات الحركة الكبيرة، حيث يُرسَل موجّه few-shot إلى النموذج ملايين المرات، يمثّل ذلك بندًا ملموسًا في النفقات.

لكن لا بد من الحذر في نقطة واحدة. فمتوسط الدقة يخفي التفاوت بين المهام: قد يكون التحسن كبيرًا في بعض المجموعات، وصفريًا أو سلبيًا في غيرها. كما يتوقف كل شيء على خط الأساس. فإذا قورن 1-shot بمثال عشوائي خام، بدا التحسن أكثر إبهارًا مما لو قورن بـ few-shot مضبوط جيدًا مع إعادة الترتيب.

ما الذي ينبغي التحقق منه قبل التطبيق

انتظروا الورقة الكاملة والشيفرة. ثم انظروا إلى ما تُقارَن به النتيجة: Top-K، أو إعادة الترتيب، أو الإعداد اليدوي للأمثلة. وتحققوا من كلفة التحرير نفسه، ومن سلوك الطريقة على نماذجكم وأنواع مهامكم. وإذا كانت الأمثلة المحرَّرة تنتقل بين النماذج، فهذه حجة قوية لإجراء تجربة تجريبية (pilot). أما إن لم تنتقل، فسيتعين تكرار التحرير عند كل تغيير للنموذج، وستتقلص الوفورات.