Private beta

ما لم تختر غير ذلك، تمنحك الأداة نموذجًا صغيرًا وسريعًا ومنخفض التكلفة، لأن معظم الأسئلة لا تحتاج إلى أكثر من ذلك. يبدأ بالكتابة فورًا. عند إعادة صياغة بريد إلكتروني، أو تقصير فقرة، أو تلخيص مستند لصقته في الأداة، تستحق هذه السرعة أن تُستخدم والجودة تكون كافية.

النماذج التي تحمل تصنيف الاستدلال أو التفكير تكتب سلسلة من الخطوات الوسيطة قبل أن تُظهر لك أي شيء. العمل خطوة بخطوة يحسّن الدقة بشكل ملحوظ في المسائل التي تتطلب عدة خطوات (Wei وزملاؤه، 2022)، وهذا بالضبط ما تكون عليه قاعدة أهلية تتضمن ثلاثة شروط، أو مقارنة بين مستندين. هذه النماذج أبطأ، أحيانًا بمقدار دقيقة كاملة، وتكلفة تشغيلها أعلى.

الخطوات التي يُظهرها لك النموذج ليست سجلاً حقيقيًا لكيفية وصوله إلى الإجابة. زرع باحثون تلميحًا داخل الطلب غيّر إجابة النموذج، فكتب النموذج بعدها تفسيرًا واثقًا خطوة بخطوة لم يذكر التلميح إطلاقًا (Turpin وزملاؤه، 2023). نموذج التفكير يرتكب أخطاء غير مقصودة أقل. لكنه ما زال قادرًا على أن يكون واثقًا ومخطئًا في آن واحد، وعليك دائمًا التحقق من أي شيء ستتصرف بناءً عليه.

استخدم نموذج التفكير حين يكون الخطأ مكلفًا لعميلك، أو حين يتضمن السؤال أكثر من شرط واحد، أو حين تريد من الأداة أن تراجع عملاً بدلاً من أن تُنتجه. النموذج السريع يكفي للنبرة، وللمسودات، وللنصوص التي كنت ستقرأها بعناية على أي حال.

يضبط التدريب مليارات الأرقام الداخلية إلى أن يتطابق تخمين النموذج للكلمة التالية مع النص الذي يتعلم منه. هذه الأرقام هي المعاملات، وهي كل ما يحتفظ به النموذج. عدّها، 8 مليار أو 400 مليار، يقيس مقدار النمط الذي يستطيع النموذج استيعابه. إنه ليس عددًا للحقائق، لأن النموذج لا يخزّن أي حقائق.

ثلاثة مدخلات تُحدد مدى قدرة النموذج: كمية النص الذي تعلّم منه، وكمية الحوسبة التي استُخدمت في تدريبه، وعدد معاملاته. تتحسن الجودة تدريجيًا مع الثلاثة معًا، ورفع واحد منها وحده يُهدر الاثنين الآخرين (Kaplan وزملاؤه، 2020). درِّب نموذجًا كبيرًا على نص قليل جدًا وسيتفوق عليه نموذج أصغر دُرِّب على نص أكثر (Hoffmann وزملاؤه، 2022). الشركات التي تبيع نماذج مغلقة لا تنشر أيًا من هذه المدخلات الثلاثة، لذا حتى الادعاء بأن نموذجًا أكبر من آخر لا يمكن عادة التحقق منه من الخارج.

النموذج اللغوي الكبير (large language model)، بمئات المليارات من المعاملات، يعمل في مركز بيانات (data center) ويصلك عبر الإنترنت. النموذج اللغوي الصغير (small language model)، ببضعة مليارات من المعاملات، يعمل على حاسوب محمول أو هاتف دون أي اتصال بالإنترنت إطلاقًا. النماذج الصغيرة رخيصة وسريعة وخاصة، وهي في المقابل محدودة بشكل ملحوظ. كلا النوعين يُبنى اليوم عن قصد، لمهام مختلفة.

النموذج الصغير لن يكون جيدًا في كل شيء. لكن إذا دُرِّب أكثر على مهمة واحدة ضيقة، فبإمكانه أن يُضاهي نموذجًا عامًا أكبر بكثير في تلك المهمة تحديدًا، ويمكن استخدام نموذج كبير لتعليم نموذج صغير، بأسلوب يُسمى التقطير (distillation) (Hinton وزملاؤه، 2015). لن يُعمِّم هذا النموذج قدراته خارج نطاقه. لكن داخل ذلك النطاق، يُنجز العمل غالبًا بجزء يسير من الحوسبة والكهرباء، وهو أمر مهم للتكلفة وللأثر البيئي.

الأدوات التي تُقطّع النص إلى وحدات (tokenizers) تقسّم الإنجليزية إلى عدد قليل من القطع، بينما تُقسّم كثيرًا من اللغات الأخرى إلى قطع أكثر بكثير، حتى خمسة أضعاف لنفس المحتوى، فيصبح الطلب نفسه أعلى تكلفة، وأبطأ تشغيلاً، ويملأ ذاكرة عمل النموذج بسرعة أكبر في لغات عملائك (Ahia وزملاؤه، 2023). قلّص حجم النموذج وستكون اللغات التي رآها أقل هي أول من يتأثر. النموذج الصغير الذي يقرأ الإنجليزية جيدًا غالبًا ما يكون أضعف بوضوح في الفيتنامية أو الأمهرية أو الكريولية الهايتية.

أشهر المساعدين هي نماذج مغلقة. تحتفظ الشركة بالمعاملات المدرَّبة، وتصل أنت إلى النموذج عبر تطبيقها أو واجهتها البرمجية (API). لا يمكنك فحصه، ولا تشغيله بنفسك، ولا الاحتفاظ به حين تُغيّره الشركة أو تُوقفه. كما أن الشركة غير ملزمة بإخبارك بما دُرِّب عليه النموذج، أو بحجمه، أو بما تغيّر في آخر تحديث، وهي في الغالب لا تفعل. نصّك يذهب إلى خوادمها ليُجاب عليه هناك.

تنشر شركات أخرى المعاملات المدرَّبة، فيستطيع أي شخص تنزيل النموذج وتشغيله على حاسوبه الخاص أو على خادم مؤسسته. هذا هو السبب في أن حاسوبًا محمولاً بلا اتصال بالإنترنت يستطيع أن يُجيبك، والسبب في أن مزوّدًا صغيرًا يستطيع بناء منتج دون استئجار نموذج من أحد.

الأوزان المنشورة هي الأرقام النهائية فقط. بيانات التدريب (training data) والشفرة البرمجية التي أنتجتها تبقى عادة خاصة، فلا يستطيع أحد من الخارج دراسة النموذج أو إعادة بنائه، ومبادرة المصدر المفتوح (Open Source Initiative) تحصر مصطلح مصدر مفتوح في النماذج التي تنشر ما يكفي للقيام بذلك (Open Source Initiative, 2024). التراخيص تختلف أيضًا. بعض النماذج مفتوحة الأوزان تحمل تراخيص تساهلية معيارية، وأخرى تحمل شروطًا خاصة تُقيّد من يستطيع استخدامها ولأي غرض. اقرأ الترخيص قبل أن تبني مؤسستك على أحدها.

النموذج الذي يعمل على أجهزة تتحكم بها مؤسستك هو الترتيب الوحيد الذي لا يغادر فيه نص العميل المبنى إطلاقًا، وهذا سبب حقيقي للاهتمام بالأوزان المفتوحة. لكن من السهل أيضًا المبالغة في هذا الأمر. يمكن بناء تطبيق على نموذج مفتوح ومع ذلك يُرسل كل كلمة إلى خادم سحابي. اسأل إلى أين يذهب النص، واحصل على الإجابة كتابةً.

تعلّمت هذه النماذج من كمية هائلة من نصوص الإنترنت، إلى جانب مواد مرخّصة ومُشتراة. معظم النماذج المغلقة لا تنشر تلك القائمة إطلاقًا، فلا تستطيع التحقق مما إذا كان النموذج قد اطّلع على شيء جيد بشأن القاعدة التي تسأل عنها. نصوص الإنترنت إنجليزية بشكل كثيف وشحيحة في معظم لغات عملائك، ومن هناك تبدأ فجوة اللغة.

يتوقف التدريب عند تاريخ معين، وتتوقف ذاكرة النموذج المدرَّبة عنده. كثير من الأدوات الآن تُجري بحثًا مباشرًا على الإنترنت لتجاوز ذلك التاريخ، وهذا يساعد وينقل السؤال إلى مكان آخر. الإجابة عندها لا تكون أفضل من الصفحات التي صادف أن جلبتها الأداة، لذا اسأل ما المصادر التي استخدمتها وافتحها بنفسك.

الحقيقة الموضوعة في بداية نص طويل أو نهايته تُعثر عليها الأداة بموثوقية أكبر بكثير من الحقيقة نفسها المدفونة في المنتصف، وتنخفض الدقة كلما طال النص (Liu وزملاؤه، 2024). الصق سياسة من أربعين صفحة، واطرح سؤالاً ضيقًا واحدًا، وقد تفوت الإجابة فقرة قرأها النموذج تقنيًا. اقتبس القسم الذي يهمّك بدلاً من تسليم الملف كاملاً.

بمجرد أن يصبح النموذج قادرًا على التنبؤ بالنص، يقوم أشخاص بضبطه عبر تغذية راجعة بشرية كي يتّبع التعليمات، ويُجيب بنبرة معينة، ويرفض طلبات معينة (Ouyang وزملاؤه، 2022). هذه المرحلة، لا الحجم، هي سبب اختلاف نموذجين في أثناء المحادثة. وهي أيضًا تُكافئ الموافقة. المساعدات المدرَّبة بهذه الطريقة تميل إلى مجاراة الرأي الذي يطرحه المستخدم، وتتخلى عن إجابة صحيحة حين يعترض المستخدم عليها (Sharma وزملاؤه، 2024). زوّد النموذج بفرضية خاطئة وتوقّع منه أن يبني عليها.

يُعاد تدريب النماذج وتحديثها، أحيانًا بصمت، والاسم نفسه في القائمة قد يشير إلى آلية مختلفة عمّا كان عليه الشهر الماضي. أعد اختبار أي طلب محفوظ بعد كل تحديث، وأعد النظر أيضًا في الحكم الذي كوّنته حول ما تُتقنه هذه الأداة.