Ettin Reranker: كيف تحسّن الشبكة العصبية دقة البحث
قدّمت Hugging Face نماذج Ettin Reranker، وهي عائلة من 6 نماذج لإعادة الترتيب تتراوح أحجامها بين 17 مليون و1 مليار معامل. بُنيت هذه النماذج على ModernBERT ودُرّبت بأسلوب التقطير المعرفي على 143 مليون مثال. وتعتمد على Flash Attention 2 لتسريع المعالجة. وتعمل النسخة الأصغر أسرع بـ 19 مرة من منافس أكبر حجمًا، مقابل خسارة 0.5% فقط من الدقة.
معالج بواسطة الذكاء الاصطناعي من Hugging Face Blog؛ بتحرير Hamidun News
أطلقت Hugging Face نموذج Ettin Reranker، وهو شبكة عصبية لإعادة ترتيب نتائج البحث، وتتألف من عائلة من 6 نماذج دُرّبت بأسلوب التقطير المعرفي من نموذج أكبر.
ما هو نموذج إعادة الترتيب وما الذي يميّزه عن نماذج التضمين
(Embeddings) المعتادة؟ نموذج إعادة الترتيب (cross-encoder) فئة خاصة من النماذج تستقبل زوجًا مكوّنًا من (استعلام، مستند) وتُخرج درجة صلة واحدة. والفارق الجوهري أنه يرمّز التسلسلين معًا، فيتيح لكل منهما «رؤية» الآخر عبر جميع طبقات المحوّل (Transformer)، ما يمنح تقييمًا أدق للصلة مقارنةً بنماذج التضمين المعتادة.
بمَ يختلف نموذج إعادة الترتيب عن النماذج المعتادة المستخدمة في البحث؟
يرمّز نموذج إعادة الترتيب (cross-encoder) الاستعلام والمستند معًا عبر جميع طبقات المحوّل، فيتيح لكل منهما رؤية الآخر. وهذا يعطي درجة صلة أدق من نماذج التضمين، التي ترمّز كل تسلسل على حدة.
Executive AI Consulting, Custom Agents & Team Workshops
Work directly with Zhemal Khamidun at hamidun.com — enterprise AI architecture, production RAG & multi-agent systems, and executive training.
أهم ما في عالم الذكاء الاصطناعي — مرة كل أسبوع
سبع قصص مهمة فعلاً هذا الأسبوع، مختارة بعناية. بلا ضجيج ولا بيانات صحفية.
تم! تحقق من بريدك للتأكيد.