شرح نموذج Laya: نموذج القرار مفتوح المصدر الذي يمكنك تشغيله محليًا

ليس Laya نموذجَ لغة صغيرًا آخر يحاول أن يصبح ChatGPT أرخص. فهو لا يولّد فقرات رمزًا تلو الآخر، بل يتلقى حالة - مثل رسالة إلكترونية أو تذكرة دعم أو سجل وكيل أو كائن JSON - ويعيد قرارات منظمة مع احتمالاتها.

يضع ذلك Laya ضمن الفئة الناشئة نفسها التي ينتمي إليها Jev من TypeSafe، لكن مع اختلاف رئيسي واحد: أوزان Laya مفتوحة بموجب ترخيص Apache 2.0، ويمكن تشغيل النموذج بالكامل على أجهزة محلية. وبالنسبة إلى الذكاء الاصطناعي المحلي، يجعل ذلك Laya أكثر إثارة للاهتمام من مجرد مصنّف سريع آخر. ويطرح سؤالًا أوسع: هل ينبغي إرسال قرارات الذكاء الاصطناعي المتكررة إلى نموذج متقدم أصلًا؟

ما هو Laya؟

Laya هو نموذج قرارات مفتوح الأوزان وغير ذاتي الانحدار، طوّرته Convai Innovations.

تستخدم نقطة التحقق الإنجليزية الرئيسية ModernBERT-large باعتباره أساسها، وتضم نحو 421 مليون مُعامل. وبدلًا من توليد لغة عشوائية، يزوّد التطبيق النموذج بحالة وسؤال واحد أو أكثر من أسئلة محددة النوع.

إذا بدت هذه الواجهة مألوفة، فلأن Jev يستخدم نموذج قرارات مكتوبة النوع مشابهًا. يشرح دليلنا السابق حول نماذج القرارات لوكلاء الذكاء الاصطناعي سبب ظهور هذه الفئة من النماذج أصلًا.

من الأفضل فهم Laya على أنه محرّك قرارات متعلَّم

قد يتلقى النموذج التوليدي:

«اقرأ تذكرة الدعم هذه واشرح ما يريده العميل.»

صُمم Laya للتعامل مع أسئلة أضيق نطاقًا:

• إلى أي قسم ينبغي إرساله؟
• هل الأمر عاجل؟
• هل يبدو كأنه تصيد احتيالي؟
• هل ينبغي لنموذج آخر مراجعته؟

التمييز المهم ليس بين «نموذج ذكي ونموذج بسيط»، بل فيما إذا كان التطبيق يحتاج فعلًا إلى توليد اللغة.

إذا كان البرنامج يحتاج فقط إلى معرفة ما إذا كان الأمر يتعلق بـالفوترة أو الأمور التقنية أو المبيعات، فإن توليد فقرة ثم تحليلها مرة أخرى إلى قيمة تعداد أمر غير ضروري.

كيف يتخذ Laya القرارات من دون توليد نص؟

وفقًا لـ وثائق البنية الرسمية، يجمع Laya بين مُشفّر ModernBERT-large يضم نحو 395 مليون مُعامل ورأس قرار من طبقتين، وتقييم لعلامات الخيارات، ومكوّن للتنفيذ/التصعيد.

نظرًا إلى أن ModernBERT ثنائي الاتجاه، تستطيع Laya أخذ الحالة والسؤال والخيارات المتاحة معًا في الاعتبار، بدلًا من التنبؤ بناتج رمز واحد في كل مرة.

هذا الاختلاف المعماري هو سبب جاذبية نموذج قرارات صغير لأعباء عمل مثل:

• توجيه الوكلاء؛
• فرز رسائل البريد الإلكتروني؛
• الإشراف؛
• مدى صلة المستند؛
• اكتشاف النية؛
• بوابات الأمان؛
• تصعيد سير العمل.

هذه بالضبط أنواع أعباء العمل الروتينية التي تصبح فيها توجيهات الذكاء الاصطناعي الهجينة مفيدة: أبقِ العمل المتكرر على طبقة محلية أقل تكلفة، واحتفظ بنموذج أكبر للحالات الصعبة.

هل تملك Laya حقًا «لا هلوسات»؟

تذكر وثائق المشروع أنه نظرًا إلى أن Laya لا تُنشئ نصًا، فهي تقضي على أخطاء التحليل والهلوسات.

يحتاج هذا الادعاء إلى توضيح مهم واحد.

يمكن لـ Laya القضاء على حالات فشل مثل:

• JSON مشوّه؛
• قيم تعداد مُختلَقة؛
• نص إضافي حول استجابة مهيكلة؛
• ادعاءات مُنشأة بحرية.

لكنه قد يظل يتخذ القرار الخاطئ.

يمكن للنموذج إرجاع:

الفوترة: 0.92

حتى عندما كان ينبغي تحويل التذكرة إلى الدعم الفني.

يمنع الناتج المقيّد الإجابات غير الصالحة، لكنه لا يضمن صحة الأحكام.

هذا التمييز بالغ الأهمية إذا كان الناتج يتحكم في وكيل أو سير عمل أمني أو عملية مالية أو إجراء مؤتمت.

لماذا تهم المعايرة أكثر من رقم الثقة

تُدرَّب Laya باستخدام RLCD، أي التعلم المعزز لاتخاذ قرارات مُعايرة. ولا يقتصر الهدف على اختيار الإجابة الصحيحة، بل يشمل أيضًا جعل الاحتمال المُبلَّغ عنه مفيدًا.

يمكن لنظام إنتاجي بعد ذلك استخدام مستوى الثقة للتحكم في التصعيد:

لكن وثائق Laya نفسها توضح سبب عدم وجوب الوثوق بهذه الاحتمالات بشكل أعمى. يذكر المشروع تحسنًا كبيرًا في المعايرة بعد ملاءمة درجة الحرارة، ويوصي بمعايرة النموذج على مجال النشر.

بعبارة أخرى، حتى النموذج المصمم لاتخاذ قرارات مُعايرة يحتاج إلى المعايرة على عبء العمل الفعلي لديك.

أهم نتيجة لـ Laya ليست سرعتها

أرقام زمن الاستجابة التي نشرتها Laya مثيرة للإعجاب. يذكر المشروع اتخاذ قرارات قصيرة خلال عشرات المللي ثانية على Tesla T4، بينما يذكر منفذ Laya-MLX المستقل نحو 13.4 مللي ثانية للنموذج الإنجليزي و7.4 مللي ثانية لنقطة التحقق متعددة اللغات على جهاز M3 Max.

تؤكد هذه القياسات أن لايا تنتمي إلى فئة نشر مختلفة تمامًا عن نموذج توليدي متعدد مليارات المعلمات.

لكن النتيجة الأكثر دلالة هي مدى اعتماد الأداء على التخصص.

في تقييم اتخاذ القرارات المكتوبة الخاص بالمشروع، لا يتفوق نموذج لايا الأساسي إلا قليلًا على خط الأساس العشوائي عند استخدامه دون تدريب خاص. وبعد الضبط الدقيق الخاص بالمهمة، تتحسن نقطة التحقق المتخصصة بدرجة كبيرة.

يغيّر هذا طريقة فهم لايا.

إنه ليس بالضرورة نموذج استدلال عالميًا بقدرة 421 مليون معلمة يفهم بطريقة سحرية كل مشكلة قرار جديدة.

تكمن أفضل مزايا لايا في إمكانية تخصيص نموذج صغير لسطح قرار مستقر، ومعايرته، ثم تشغيله بتكلفة منخفضة للغاية وبحجم كبير.

قد يكون الضبط الدقيق أهم من النموذج الأساسي

ينشر المشروع أدوات التدريب والضبط الدقيق إلى جانب نقاط التحقق. وهذا مهم لأن العديد من قرارات الإنتاج تكون متخصصة للغاية بحسب المجال.

ضع في اعتبارك:

• أي فريق دعم داخلي مسؤول عن هذه المشكلة؟
• هل يتطابق هذا المستند مع تصنيفنا الخاص؟
• هل ينبغي تنفيذ أتمتة المنزل هذه؟
• أي وكيل ينبغي أن يتلقى هذه المهمة؟
• هل يتطلب هذا الملف المحلي تحليلًا أعمق بالذكاء الاصطناعي؟

يمكن لنموذج عام الإجابة عن هذه الأسئلة، لكنه قد ينفق مرارًا قدرة حوسبية لنموذج كبير على إعادة بناء حد قرار لا يتغير إلا نادرًا.

يمكن لنقطة تحقق متخصصة من لايا أن تتعلم هذا الحد الفاصل مباشرةً.

يندرج هذا ضمن اتجاه أوسع في النماذج المفتوحة مقابل الذكاء الاصطناعي المتقدم: فالنموذج الأكثر قدرة ليس بالضرورة النموذج الأكثر كفاءة لأعباء العمل المتكررة والمحددة جيدًا.

ما تزال لايا ضعيفة فيه

كما تُظهر النتائج المنشورة حدودًا واضحة.

مساحات التصنيفات الكبيرة صعبة. توصي وثائق لايا بإبقاء أسئلة الاختيار عند أقل من 20 خيارًا تقريبًا. تتشارك الخيارات المتاحة ميزانية رموز ثابتة، لذا قد تتراجع جودة التصنيفات المسطحة الكبيرة جدًا.

غالبًا ما يكون المسار الهرمي أكثر منطقية:

يُعد التسجيل الترتيبي مجالًا أضعف آخر. غالبًا ما يكون مطالبة النموذج باختيار فئة أسهل من مطالبته بالفصل بشكل موثوق بين مستويات متقاربة، مثل درجات الإحباط من 1 إلى 5.

السياق محدود أيضًا مقارنةً بنماذج اللغة الكبيرة الحديثة. تستخدم نقطة التحقق الإنجليزية ميزانية إدخال تبلغ 512 رمزًا، بينما تمدد إصدارات لايا الأخرى ذلك إلى 1,024 رمزًا.

هذا يعني أن لايا أنسب بكثير للأدلة المحددة من إسقاط مستند طويل كامل داخل النموذج.

لايا مقابل جِف: نموذج محلي مفتوح أم واجهة برمجة تطبيقات مُدارة لاتخاذ القرارات؟

كثيرًا ما توصف لايا بأنها بديل مفتوح المصدر لـ Jev، لكن اختزال المقارنة في درجات المعايير يفوّت الاختلاف البنيوي الأهم.

تُظهر نقطة تحقق لايا المتخصصة دقة أعلى من Jev في معيار منشور واحد للقرارات الموصوفة الأنواع، بينما تفيد Jev بمعايرة أفضل في جزء من المقارنة نفسها. ولا تكفي هذه الأدلة لإعلان تفوق أحد النموذجين عالميًا.

الفرق الأكبر هو التحكم.

توفر Jev للمطورين خدمة مُدارة لاتخاذ القرار. أما لايا فتمنحهم أوزان نموذج يمكن ضبطها دقيقًا، وقياس أدائها، وتثبيتها على إصدار محدد، ونشرها بجوار البيانات الخاصة.

هل يمكن تشغيل لايا بالكامل محليًا؟

نعم. هذه أهم ميزة عملية للايا.

يعمل النموذج الرسمي عبر PyTorch وTransformers. وقد وسّعت مشاريع المجتمع النشر بالفعل ليشمل بيئات تشغيل أخرى:

• ONNX Runtime لـ Node.js وTypeScript;
• MLX لمعالجات Apple Silicon.

إن نقطة التحقق الرئيسية، البالغ حجمها 421 مليون معامل، تقل عن 1 غيغابايت في تمثيل الأوزان المنشور، ما يضعها في فئة ذاكرة أصغر بكثير من معظم نماذج اللغة الكبيرة التوليدية المفيدة.

وهذا يجعل لايا ذات صلة بالمشكلة العملية المتمثلة في توجيه النماذج حسب بصمة الذاكرة. لا يحتاج النظام إلى إبقاء نموذج توليدي كبير نشطًا لمجرد تصنيف كل طلب وارد.

لماذا تهم إدارة طبقة اتخاذ القرار محليًا

لا يقتصر الاستدلال المحلي على تجنب تكلفة واجهة برمجة التطبيقات.

غالبًا ما تكون مدخلات نماذج اتخاذ القرار حساسة:

• البريد الإلكتروني؛
• تذاكر الدعم؛
• المستندات الخاصة؛
• سجلات العملاء؛
• بيانات المصدر؛
• آثار الوكيل؛
• نتائج البحث المحلية.

قد تكون واجهة برمجة تطبيقات لاتخاذ القرار مستضافة غير مكلفة، لكن لا يزال على التطبيق إرسال الحالة إلى مكان ما لتصنيفها.

تتيح لايا بنية أخرى:

وهذا هو السبب نفسه الذي يجعل معالجة الذكاء الاصطناعي محليًا بالقرب من البيانات المخزنة مهمة. إن إبقاء قرار المرور الأول بجوار البيانات يمكن أن يقلل من انكشاف الشبكة ومن الاستدلال السحابي غير الضروري.

قد تصبح لايا المرشح قبل النموذج الكبير

قد لا تكون البنية الأقوى هي استخدام لايا بدلًا من نموذج لغوي كبير.

قد تكون:

تخيّل نظامًا خاصًا للمستندات يضم 10,000 سجل محلي. لا يحتاج نموذج رائد إلى قراءة السجلات العشرة آلاف كلها بعمق.

يمكن لنموذج محلي صغير أن يسأل أولًا:

• هل هذا ذو صلة؟
• إلى أي فئة ينتمي؟
• هل يتضمن معلومات حساسة؟
• هل مستوى الثقة منخفض بما يكفي للتصعيد؟

فقط الجزء الصعب يحتاج إلى استدلال مكلف.

يُعد مساعد ذكاء اصطناعي خاص على جهاز NAS بيئة واضحة لهذا النمط، لأن التخزين والاسترجاع والتصنيف والبيانات الشخصية يمكن أن تظل محلية، بينما تُصعّد الطلبات الأكثر صعوبة انتقائيًا.

ما الذي تغيّره Laya فعليًا

على مدى عدة سنوات، اتجهت بنية الذكاء الاصطناعي نحو نماذج متزايدة العمومية: نموذج واحد يمكنه الاستدلال، والبرمجة، والكتابة، والتصنيف، والبحث، واستدعاء الأدوات.

تمثل Laya الفكرة المعاكسة.

قد تصبح بعض المهام أفضل عندما تصبح النماذج أكثر تخصصًا، لا أكثر عمومية.

إذا كان النظام يحتاج إلى ملايين الأحكام مثل:

ذو صلة أم غير ذي صلة؟

آمن أم غير آمن؟

هل نوجّهها إلى A أو B أو C؟

هل نتابع أم نصعّد؟

فعندئذٍ يمكن لنموذج قرارات محلي يضم 421 مليون معلمة أن يشغل طبقة اقتصادية وخصوصية مختلفة تمامًا عن نموذج لغوي كبير رائد.

لذلك لا يتمثل السؤال المهم في ما إذا كانت Laya قادرة على التفوق على Jev أو Claude أو Gemini أو GPT في كل شيء.

لا يمكنه ذلك.

لذلك فإن السؤال الأكثر فائدة هو:

كم عدد القرارات في سير عمل للذكاء الاصطناعي التي لم تكن تحتاج إلى نموذج توليدي أصلًا؟

إذا كانت الإجابة «عددًا كبيرًا»، فقد تصبح نماذج القرارات المحلية الصغيرة إحدى الطبقات المفقودة في بنية الذكاء الاصطناعي العملية.