أطلقت NVIDIA نموذج Nemotron 3.5 Super VL بوصفه نموذجًا مفتوح الأوزان للمهام متعددة الوسائط، مع قدرات تستوعب النصوص والصور والفيديو وتدعم استخدام الأدوات. لكن النقطة الأبرز في الإعلان لم تكن أداء النموذج الأساسي، بل التحسن الذي حققه بعد إخضاعه لتدريب لاحق موجه إلى مجالات بعينها.
تفاصيل الخبر
يعتمد النموذج على بنية هجينة تجمع بين طبقات Mamba والمحولات، ضمن تصميم خبراء متعددين يضم نحو 120 مليار معلمة إجمالًا، بينما تُفعّل قرابة 12 مليار معلمة أثناء معالجة كل رمز. وتقول NVIDIA إن هذا الأسلوب يهدف إلى تقليل كلفة التشغيل مع الحفاظ على قدرة مناسبة للاستدلال الطويل والمهام الوكيلة.
في المقارنات التي عرضتها الشركة، لم يتفوق الإصدار الجاهز للاستخدام على النماذج المنافسة في كل الاختبارات. غير أن نسخًا خضعت للتدريب اللاحق حققت نتائج أعلى في مهام متخصصة، ما يبرز اختلافًا مهمًا بين تقييم نموذج عام وتقييم نسخة جرى ضبطها لتناسب سير عمل محدد وبيانات بعينها.
من أبرز الأمثلة اختبار يتعلق بمطالبات التأمين الطبي، إذ ارتفعت الدقة التي عرضتها NVIDIA للنموذج من نحو 28% قبل التدريب اللاحق إلى قرابة 72% بعده، مقابل نتيجة تقارب 38% لنموذج Claude Opus 5 في الاختبار نفسه. وتبقى هذه الأرقام مرتبطة بإعداد التقييم والبيانات المستخدمة، لذلك لا تعني تفوقًا شاملًا في المجال الطبي.
وفي مجال آخر، أظهرت نتائج الشركة تحسنًا في مقاومة هجمات أمنية من حوالي 35% إلى نحو 76% بعد التخصيص، مقارنة بنتيجة تقارب 66% لنموذج GPT-6.1 Sol. كما شملت المقارنات مهامًا لفهم الوثائق والمحاسبة والبحث العلمي، مع اختلاف النموذج المنافس من اختبار إلى آخر.
تقدم هذه النتائج حجة تجارية لصالح النماذج المفتوحة التي يمكن للمؤسسات تعديلها داخليًا بدل الاعتماد على نموذج مغلق واحد لجميع الاستخدامات. فالمؤسسة قد تبدأ بنموذج عام، ثم تضيف بياناتها وقواعدها وآليات التقييم الخاصة بها، لتحصل على إصدار أكثر ملاءمة لمطالبات التأمين أو مراجعة المستندات أو تحليل المخاطر.
وتشير NVIDIA إلى أن نموذج Super VL قادر على التعامل مع سياقات طويلة تصل إلى مليون رمز، كما تصفه بأنه أسرع بما يصل إلى خمسة أضعاف من نموذج مفتوح مماثل في بعض ظروف التشغيل. غير أن السرعة الفعلية ستتأثر بنوع العتاد، ودقة النموذج، وطول المدخلات، وطريقة النشر، ولذلك تحتاج المؤسسات إلى اختبار الأداء على بنيتها الخاصة.
يتضمن مسار التدريب اللاحق المعلن تقنيات مثل الضبط الدقيق الخاضع للإشراف، والتعلم المعزز القابل للتحقق، والاستفادة من عدة نماذج متخصصة في التعليم والتقطير متعدد المعلمين. ويعكس ذلك انتقال المنافسة من مجرد زيادة حجم النماذج إلى تحسين كيفية تكييفها مع المهام العملية وقياس نتائجها بعد التخصيص.
الخطوة التالية المتوقعة هي أن تختبر الشركات النموذج على بياناتها وسيناريوهاتها بدل الاكتفاء بالأرقام المنشورة. وستكون قابلية إعادة إنتاج النتائج، وتكلفة التدريب، ومتطلبات الذاكرة، وثبات الأداء خارج بيانات الاختبار عوامل حاسمة في تحديد ما إذا كان التفوق المعلن يمثل قيمة عملية واسعة أم نجاحًا محدودًا في مهام مصممة بعناية.
العودة إلى جميع الأخبار
