PrismaCoder: نماذج مفتوحة بحجم 9B و35B تلحق بالنماذج المغلقة في توليد الأكواد البصرية

حصلت النماذج المفتوحة للبرمجة متعددة الوسائط دفعة واحدة على ثلاثة مكونات: خط معالجة البيانات PrismaForge، ومجموعة البيانات PrismaCoder-2M، ونموذجان دُرّبا عليها هما PrismaCoder-9B وPrismaCoder-35B. ويصف المؤلفون PrismaCoder-2M بأنها أكثر المجموعات المفتوحة تنوعًا وأكبرها للكود متعدد الوسائط. وبحسب تقييمهم، تتصدر النماذج الحلول المفتوحة بفارق كبير وتنافس الأنظمة المملوكة الرائدة. الكود والبيانات منشوران.

لماذا يصعب التحقق من «الكود الذي يبدو صحيحًا»

يربط الكود متعدد الوسائط عالمَ البرامج الرمزي بالعالم البصري الذي تنتجه هذه البرامج عند تشغيلها. وتُطلب من النماذج بوتيرة متزايدة رسوم بيانية وصفحات ويب ورسوم متحركة ومستندات شبه منظّمة. وتستطيع الأنظمة المغلقة بالفعل بناء عناصر تفاعلية انطلاقًا من وصف نصي أو من لقطة شاشة واحدة. لكن بياناتها وطريقة تدريبها غير متاحتين، ولذلك يصطدم المجتمع المفتوح بمسألة كمّ أمثلة التدريب وجودتها وطرق الحصول عليها.

الجودة هنا أصعب من الكمّ. فالنموذج الجيد يجب أن يكون في آن واحد برنامجًا صحيحًا ومكتوبًا بعناية، والأهم أن يبدو صحيحًا بعد العرض (render). أما الإشارات الحالية فتغطي هذه المتطلبات كلًّا على حدة فقط. فالتنفيذ يعطي في الغالب بتًّا واحدًا: نجح أو فشل. وتشابه الكود مع المرجع لا يعكس الصورة النهائية جيدًا، إذ قد يرسم برنامجان مختلفان تمامًا الشيء نفسه، بينما يعطي برنامجان متقاربان جدًّا نتيجتين مختلفتين. أما المدقّقات المخصصة لمهمة بعينها فلا يمكن نقلها إلى مهام أخرى.

سلّم المعايير كمرشِّح وكمكافأة

صُمّم PrismaForge كخط معالجة هرمي يتمحور حول سلّم معايير (rubric) مُصطنَع. يحلّل هذا السلّم عوامل الجودة الثلاثة إلى معايير قابلة للتحقق. والفكرة أن التقييم العام «جيد أو سيئ» يتحول إلى مجموعة أسئلة محددة عن عيّنة محددة.

يؤدي السلّم نفسه دورين. فهو يختار أولًا بيانات التدريب بإشراف، ويكوّن بذلك مدوّنة PrismaCoder-2M. ثم يعمل السلّم نفسه مكافأةً في مرحلة التعلّم المعزَّز على مهام الترميز البصري. ويحل هذا الربط مشكلة شائعة، وهي أن مرشِّح البيانات وإشارة RL يقيسان الجودة بمقياسين مختلفين، فيُحسِّن النموذج أداءه في الاتجاه الخاطئ.

وتتعلق نتيجة أخرى للمؤلفين بقابلية النقل. يُظهر التحليل أن خط المعالجة القائم على سلّم المعايير يحسّن الترميز متعدد الوسائط على معماريات أساسية مختلفة. أي إن الأثر مرتبط بنهج البيانات والمكافآت نفسه، لا بخصائص نموذج بعينه.

ما الذي نُشر بالضبط

• PrismaForge: خط معالجة هرمي لتوليف البيانات وتصفيتها يقوم على سلّم معايير مُفكَّك.
• PrismaCoder-2M: مجموعة بيانات مفتوحة للكود متعدد الوسائط، وهي بحسب المؤلفين الأكثر تنوعًا والأكبر حتى اليوم.
• PrismaCoder-9B وPrismaCoder-35B: نموذجان دُرّبا على هذه البيانات، مع نشر الأوزان.
• الكود والبيانات متاحان على صفحة المشروع.
• نطاق المهام: الرسوم البيانية وصفحات الويب والرسوم المتحركة والمستندات شبه المنظّمة.

ما الذي يعنيه ذلك للمطورين والفرق

تكمن القيمة الأساسية للإصدار في انفتاح السلسلة كاملة. فقبل ذلك كان بالإمكان تنزيل نموذج، لكن دون معرفة ما دُرّب عليه وكيف. أما الآن فالبيانات متاحة، وكذلك طريقة التصفية وسلّم المعايير الذي يمكن تكييفه مع المهام الخاصة. وبالنسبة إلى الفرق التي تبني أدوات لتوليد لوحات المعلومات أو صفحات الهبوط أو التقارير، فهذه فرصة لمواصلة تدريب النموذج على بياناتها الخاصة بآلية التقييم نفسها.

ولأحجام النماذج أيضًا معنى عملي. يمكن فعليًا تشغيل نموذج 9B على بطاقة رسوميات واحدة استهلاكية أو مخصصة لمحطات العمل مع التكميم (quantization)، وهو ما يناسب السيناريوهات المحلية والعمل على كود حساس. أما 35B فمصمَّم لبنية تحتية أكثر قوة، لكنه يبقى ضمن فئة في متناول الفرق الصغيرة، لا المختبرات التي تملك عناقيد ضخمة فحسب.

ويمكن تطبيق سلّم المعايير كإشارة شاملة خارج نطاق الكود البصري أيضًا. فأي مهمة يجب فيها تقييم النتيجة وفق عدة محاور مستقلة، من الواجهات إلى توليد المستندات، تحصل على قالب جاهز: تحليل الجودة إلى معايير قابلة للتحقق، وتصفية البيانات بها، واستخدامها نفسها مكافأةً. أما الادعاءات حول التكافؤ مع الأنظمة المملوكة فينبغي اختبارها على المهام الخاصة، خصوصًا على الصفحات التفاعلية المعقدة. ومع ذلك، صارت لدى المجتمع المفتوح الآن نقطة انطلاق قابلة لإعادة الإنتاج.