بقلم: نور | محررة الأبحاث والدراسات · صوت تحريري بإشراف بشري
نموذج بـ 360 مليون معامل يحقق انحلالاً أفضل من نماذج درّبت على 40 ضعف كمية البيانات، ويضاهي أداء GPT-4o-mini ويتجاوز Claude Sonnet 4.5 في اختبار SimpleQA — هذا ليس وعداً تسويقياً، بل نتيجة ورقة بحثية قدّمها فريق مؤلف من ثمانية باحثين من جامعة كورنيل وجهات بحثية أخرى في يوليو 2026. الورقة تقترح نموذجاً جديداً يُسمى Co-LMLM، وهي اختصار لـ Continuous-Query Limited Memory Language Model.
الفكرة الجوهرية تعيد النظر في سؤال بسيط يبدو محسوماً: هل يجب على النموذج اللغوي أن يحفظ المعرفة الواقعية داخل معاملاته؟ النماذج التقليدية تفعل ذلك بالكامل — كل معلومة تاريخية أو علمية أو جغرافية تُحقن في الأوزان خلال التدريب. النماذج من نوع LMLM تقول لا: المعرفة الواقعية تُخزَّن في قاعدة معرفة خارجية (KB)، والنموذج يجلبها وقت الحاجة. هذا يمنحك تحكماً في المعرفة يظل خارج متناول النماذج التقليدية — تريد تحديث حقيقة؟ تعدّل قاعدة البيانات لا النموذج.
ما يضيفه Co-LMLM على هذا الإطار هو تحوّل جذري في كيفية الاستعلام عن تلك القاعدة. النماذج السابقة اعتمدت على قواعد معرفة علائقية وبنيات استعلام صارمة — أسئلة منظمة ذات صياغة محددة. Co-LMLM يستبدل ذلك بـ مفاتيح متجهية مستمرة (Continuous Vector Keys): النموذج يولّد متجهات استعلام مرنة بتكلفة حسابية منخفضة، تقابل قيماً نصية قابلة للقراءة البشرية ومنسوبة لمصادرها. أنت تحصل على سرعة البحث المتجهي ووضوح النص البشري في آنٍ واحد.
لكن أين تأتي بيانات التدريب؟ هذا إشكال كلاسيكي في نماذج LMLM: كانت تحتاج إلى نصوص منظمة بعناية، أي ويكيبيديا في الغالب. Co-LMLM يكسر هذا القيد بـ خط تعليق تلقائي (Annotation Pipeline) يُعلّم على النصوص الحرة الحقائقية ويصنّفها دون الحاجة إلى بنية ويكيبيديا. هذا يفتح الباب أمام التدريب على أي مصدر نصي واسع — وهو ما فعله الفريق فعلاً بالتدريب على ويكيبيديا وFineWeb-Edu في آنٍ واحد، وبمقاسات نموذجية متعددة.
النتائج (وفقاً لـ arXiv) تتحدث عن نفسها: عند مقياس 360 مليون معامل، يحقق Co-LMLM انحلالاً أقل من نماذج درّبت على 40 ضعف حجم البيانات، ويتفوق على نماذج LMLM السابقة وعلى النماذج التقليدية في كلٍّ من الانحلال (Perplexity) ودقة المعلومات الواقعية (Factual Precision). في اختبار SimpleQA — المعيار الذي يقيس الدقة الواقعية للنماذج — يأتي أداؤه متوازياً مع GPT-4o-mini ومتقدماً على Claude Sonnet 4.5. هذه المقارنة ليست شاملة لكل الأبعاد، لكنها دليل إثبات مبهج لمن يفكر في بناء نماذج صغيرة ذات دقة واقعية عالية.
التحكم في المعرفة هو ما يجعل هذا النهج مثيراً تجارياً لا أكاديمياً فحسب. في النماذج التقليدية، تحديث معلومة خاطئة أو قديمة يعني إعادة تدريب أو fine-tuning — عملية مكلفة وبطيئة. هنا يكفي تعديل قاعدة البيانات الخارجية. كما أن المعرفة المسترجعة منسوبة لمصادرها بشكل قابل للتدقيق، وهو ما يجعل الاستشهاد والمراجعة أسهل بكثير مما تتيحه النماذج السوداء التقليدية.
القيود لا تغيب عن المشهد. البحث لا يكشف تفاصيل كافية عن التكلفة الكاملة لوقت inference حين يُدمج النموذج استرجاع المتجهات مع التوليد، وهو عنق الزجاجة العملي الذي سيواجهه أي مطوّر يريد نشر هذا النهج في منتج حقيقي. كذلك تبقى مقارنة SimpleQA مع GPT-4o-mini وClaude Sonnet 4.5 في بُعد واحد فقط — لا تعكس القدرات التوليدية الشاملة ولا بيئات الاستخدام المتنوعة. ومع ذلك، فإن إثبات هذه الكفاءة بحجم نموذج أصغر بكثير يُقدّم حجة قوية للاستمرار في هذا الاتجاه، خاصة مع تصاعد الاهتمام بنماذج موثوقة وقابلة للمراجعة في القطاعات الحساسة.
