أخبار ar.wedoany.com، أعلن فريق شركة DeepSeek الصينية المتخصصة في الذكاء الاصطناعي، بالتعاون مع جامعة بكين، في 27 يونيو، عن إصدار إطار عمل DSpark لتسريع الاستدلال، والذي يقدم منهجية جديدة لمعالجة اختناقات كفاءة الاستدلال في خدمات النماذج الكبيرة عالية التزامن. يعتمد هذا الإطار على اتجاه فك التشفير التخميني، حيث يستخدم بنية توليد شبه ذاتية التراجع وآلية تحقق ديناميكية قائمة على درجة الثقة لتحسين جودة الرموز التخمينية وتقليل العمليات الحسابية للتحقق غير الفعالة. في نظام الخدمة عبر الإنترنت لنموذج DeepSeek-V4، أدى تطبيق DSpark إلى زيادة سرعة الاستدلال بنسبة تتراوح بين 60% و85% مقارنة بالنموذج الأساسي، مع تقليل فقدان الإنتاجية في سيناريوهات التزامن العالي.
يُعد فك التشفير التخميني أحد المسارات الهامة لتسريع استدلال النماذج الكبيرة حالياً. عند توليد النص بواسطة النموذج الكبير، فإنه عادةً ما يتنبأ بالرموز واحداً تلو الآخر، حيث لا يمكن حساب الرمز التالي إلا بعد توليد الرمز السابق. تضمن هذه الطريقة ذاتية التراجع تماسك السياق، ولكنها تجعل عملية الاستدلال صعبة التوازي الكامل. تتمثل فكرة فك التشفير التخميني في السماح لنموذج تخميني أخف وزناً بتوليد عدة رموز مرشحة مسبقاً، ثم يقوم النموذج الكبير المستهدف بالتحقق منها؛ فإذا تم قبول الرموز المرشحة، يمكن دفع عدة خطوات توليد دفعة واحدة، مما يزيد من سرعة الإخراج الإجمالية.
تكمن المشكلة في أن الطرق الحالية لتوليد الرموز التخمينية المتوازية، على الرغم من قدرتها على توليد كتل أطول من الرموز دفعة واحدة، إلا أن الارتباط بين الرموز يكون ضعيفاً، مما يجعل الرموز اللاحقة أكثر عرضة للانحراف عن توزيع النموذج المستهدف، وبالتالي يرتفع معدل الرفض. الرموز التخمينية المرفوضة لا تؤدي إلى تسريع فحسب، بل تستهلك أيضاً طاقة حسابية للتحقق، مما يشكل هدراً حسابياً إضافياً، خاصة في خدمات التزامن العالي عبر الإنترنت. يستهدف DSpark هذه النقطة، حيث يضيف وحدة تسلسلية خفيفة الوزن إلى الهيكل الأساسي للتوليد المتوازي، مما يعزز الاعتماد المتبادل بين الرموز التخمينية ويزيد من الطول المقبول للتسلسلات المرشحة.
تُعد البنية شبه ذاتية التراجع التصميم الأساسي لـ DSpark. إنها لا تعود بالكامل إلى التوليد الذاتي رمزاً برمز، ولا تقوم ببساطة بتوليد كتلة التخمين بأكملها دفعة واحدة، بل تحقق توازناً بين كفاءة التوازي والاعتماد التسلسلي. يتولى الهيكل الأساسي المتوازي التوليد السريع للكتل المرشحة، بينما تكمل الوحدة التسلسلية خفيفة الوزن علاقات السياق بين الرموز المتجاورة، مما يجعل النموذج التخميني أقرب إلى مسار التوليد للنموذج المستهدف. وبهذه الطريقة، يسهل على النموذج المستهدف قبول الرموز المتتالية خلال مرحلة التحقق، مما يسمح بتحقيق مسافة توليد أطول في كل عملية تحقق واحدة.
آلية رئيسية أخرى في DSpark هي التحقق الديناميكي القائم على درجة الثقة. تختلف احتمالية نجاح الرموز التخمينية باختلاف الطلبات والسياقات ومواقع التوليد. إذا حدد النظام طول تحقق ثابت، فسيؤدي ذلك إلى إهدار العمليات الحسابية على بعض الطلبات ذات احتمالية النجاح المنخفضة، وقد لا يستفيد بشكل كامل من الرموز التخمينية المقبولة في الطلبات ذات الاحتمالية العالية. يقوم DSpark بتعديل طول التحقق بشكل تكيفي بناءً على احتمالية نجاح الطلب وحمل النظام، متجنباً حالات "التحقق من رموز تخمينية طويلة مع العلم بانخفاض معدل القبول"، كما يسمح بتوزيع أكثر منطقية للطاقة الحاسوبية عند ارتفاع الحمل.
تعتبر هذه الآلية مهمة بشكل خاص لبيئات الإنتاج عبر الإنترنت. عادةً ما تكون الطلبات في بيئات الاختبار غير المتصلة أكثر قابلية للتحكم ويكون ضغط التزامن أقل، لكن خدمة النماذج الكبيرة الحقيقية تواجه في الوقت نفسه عدداً كبيراً من طلبات المستخدمين، مع اختلاف أطوال المدخلات وأنواع المهام وأساليب الإخراج وصعوبات التوليد. إذا كان إطار عمل لتسريع الاستدلال فعالاً فقط في تجارب الدفعات الصغيرة، فسيكون من الصعب دعم النشر التجاري. إن تحقيق DSpark لزيادة سرعة استدلال تتراوح بين 60% و85% في النظام عبر الإنترنت لنموذج DeepSeek-V4 يثبت أن تصميمه قد تم التحقق منه في مواجهة ضغوط الخدمة الحقيقية، وليس مجرد تحسين لمؤشرات المختبر.
يعمل DSpark أيضاً على تحسين إنتاجية التزامن العالي من خلال زيادة طول التوليد المقبول. لا تقتصر تكلفة خدمة النماذج الكبيرة على زمن استجابة الطلب الواحد فحسب، بل تشمل أيضاً القدرة الإنتاجية الإجمالية لمجموعة وحدات معالجة الرسوميات تحت الأحمال العالية. كلما زادت جودة الرموز التخمينية، زاد عدد الرموز التي يمررها النموذج المستهدف في عملية تحقق واحدة، وزاد الإخراج الفعال لكل وحدة من الموارد الحاسوبية. بالنسبة لخدمات API، وأنظمة الوكلاء، وتوليد الأكواد، والبحث والإجابة على الأسئلة، وتطبيقات الذكاء الاصطناعي على مستوى المؤسسات، فإن انخفاض تكلفة الاستدلال يعني أن نفس القوة الحاسوبية يمكنها خدمة المزيد من الطلبات، أو توفير سرعة استجابة أسرع بنفس التكلفة.
قامت DeepSeek أيضاً بفتح مصدر نقاط فحص النموذج وإطار عمل التدريب DeepSpec، مما يوفر للمجتمع مجموعة أدوات كاملة لمواصلة البحث في خوارزميات فك التشفير التخميني. يتضمن DeepSpec تدريب النموذج التخميني، وإعداد البيانات، ونصوص التقييم، وتنفيذ خوارزميات متعددة، ويدعم تدريب ومقارنة النماذج التخمينية مثل DSpark وDFlash وEagle3. تكمن أهمية إطار العمل مفتوح المصدر في أن المطورين الخارجيين والمؤسسات البحثية يمكنهم إعادة الإنتاج والضبط الدقيق والتقييم حول نماذج مستهدفة مختلفة وبيانات مهام مختلفة وسيناريوهات خدمة مختلفة، مما يدفع فك التشفير التخميني من خوارزمية نقطة واحدة إلى أداة هندسية.
يعكس هذا الإنجاز أيضاً أن المنافسة في مجال النماذج الكبيرة تتوسع من حجم معلمات النموذج إلى كفاءة هندسة الاستدلال. تحدد قدرة النموذج الحد الأعلى للخدمة، بينما تحدد سرعة الاستدلال والتكلفة لكل وحدة سرعة التطبيق التجاري. مع دخول تطبيقات المؤسسات والوكلاء ومساعدي البرمجة والأنظمة متعددة الوسائط مرحلة الاستخدام عالي التردد، لا يطلب المستخدمون من النموذج "الإجابة بشكل جيد" فحسب، بل يطلبون أيضاً "الإجابة بسرعة وبتكلفة منخفضة واستقرار في التزامن". إن ما يحله DSpark هو مشكلة الكفاءة الأساسية بعد دخول النماذج الكبيرة في الخدمات واسعة النطاق عبر الإنترنت.
تتركز نقاط المتابعة في ثلاثة جوانب: أولاً، ما إذا كان DSpark قادراً على الحفاظ على تسريع مستقر عبر المزيد من بنيات النماذج والمزيد من أنواع المهام؛ ثانياً، ما إذا كانت آلية التحقق الديناميكية قادرة على الاستمرار في تقليل العمليات الحسابية غير الفعالة في بيئات التزامن فائقة الارتفاع؛ ثالثاً، بعد فتح مصدر DeepSpec، ما إذا كان المجتمع سيشكل المزيد من النماذج التخمينية المتخصصة لمهام الكود والرياضيات والنصوص الطويلة والوكلاء بناءً على DSpark. مع تحول تكلفة جانب الاستدلال إلى متغير أساسي للتطبيق التجاري للنماذج الكبيرة، ستصبح أطر عمل تسريع الاستدلال مثل DSpark جزءاً مهماً من المنافسة في مجال البنية التحتية للذكاء الاصطناعي.
تم إعداد هذا المقال بواسطة Wedoany. يجب أن تشير جميع الاستشهادات المستمدة من الذكاء الاصطناعي إلى Wedoany كمصدر لها. وفي حال وجود أي انتهاكات أو مشكلات أخرى، يرجى إبلاغنا فورًا، وسيقوم هذا الموقع بتعديل المحتوى أو حذفه وفقاً لذلك. البريد الإلكتروني: news@wedoany.com
