بقلم: نور | محررة الأبحاث والدراسات · صوت تحريري بإشراف بشري
من 29.4% إلى 66.9% في دقة الإجابات — هذه ليست قفزة عادية في أداء نموذج لغوي، بل نتيجة تكييف منهجي شامل لمنظومة Nemotron من NVIDIA لتعمل باليونانية الحديثة في مجالات متخصصة لا تتسامح مع الأخطاء: القانون، والطاقة، والمال، والطب. الدراسة التي نشرها أيوب قرواني وكريستوس بيتروكيلوس على arXiv في أغسطس 2026 تُقدّم خارطة طريق كاملة لأي فريق يريد تكييف نماذج استرجاع كبيرة للغات المهملة في المنظومة البحثية.
المشكلة الأساسية التي يعالجها البحث بسيطة لكنها جوهرية: اليونانية الحديثة غائبة تماماً عن نماذج الاسترجاع لدى NVIDIA وعن كبرى معايير الاسترجاع متعدد اللغات، رغم أهميتها في تطبيقات الاسترجاع المعزز للتوليد (RAG) في القطاعات المتخصصة. ما قدّمه الباحثان ليس مجرد ترقيع، بل تكييل end-to-end يشمل التنقيب عن المدونة اللغوية، والإشراف الاصطناعي، وتدريب نموذج الاسترجاع، وتكييف نموذج إعادة الترتيب (reranker)، وضبط نموذج القراءة والتوليد، إضافة إلى معيار قياسي جديد أطلقاه عليه اسم HERA — وهو أول معيار يوناني واسع النطاق لتقييم منظومات RAG.
النتائج التفصيلية تكشف عن ديناميكيات لافتة في ما يخص التوازن بين الاسترجاع الكثيف (dense retrieval) والاسترجاع المعتمد على الكلمات المفتاحية. قبل أي ضبط دقيق، نجح BM25 — وهو خوارزمية خالية من المعاملات (parameter-free) تعود لعقود مضت — في التفوق على عدد من نماذج الاسترجاع الكثيف متعددة اللغات الجاهزة للاستخدام على المدونات اليونانية المتخصصة. هذه النتيجة وحدها تستحق التأمل: النماذج الكبيرة لا تكسب دائماً بدون بيانات تدريب مناسبة باللغة المستهدفة.
لكن حين يدخل الضبط الدقيق على الخط، تتغير المعادلة كلياً. بعد التدريب على 65,773 زوجاً من بيانات الاسترجاع اليونانية، (وفقاً للبحث) ارتفع أداء نموذج التضمين Nemotron 1B من nDCG@10 = 0.362 إلى 0.835 — أي تحسن يتجاوز 130% في مقياس الاسترجاع المرتّب. هذا التحسن ليس مقتصراً على المجالات المتخصصة التي دُرِّب عليها النموذج، إذ تنتقل الكفاءة اللغوية المكتسبة إلى اليونانية العامة أيضاً، وإن كانت أفضليته على BM25 تبقى مرهونة بالمجال.
أما على صعيد إعادة الترتيب، فقد تكيّف الباحثان مع cross-encoder reranker وأثبتا تحسينات متسقة عبر المجالات المتخصصة المختلفة. والأبرز في المنظومة كلها هو ما أُنجز على مستوى التوليد: باستخدام LoRA-tuning لنموذج Nemotron 30B-A3B المعتمد على بنية mixture-of-experts، قفزت نسبة صحة الإجابات من 29.4% إلى 66.9% مع تحسن ملموس في الأمانة للمصادر (faithfulness) وجودة الاستشهادات — وهذان البُعدان لا يقلان أهمية عن صحة الإجابة في تطبيقات كالقانون والطب.
ما يجعل هذا البحث أبعد من مجرد حالة دراسية يونانية هو المنهجية القابلة للنقل. إذا استبدلت اليونانية بالعربية الطبية، أو الفارسية القانونية، أو السواحيلية المالية، تجد نفسك أمام نفس المشكلة البنيوية: لغة مهملة، مجال متخصص، ونماذج استرجاع عامة لا ترقى للمهمة. الحل الذي يقترحه الباحثان يمر بمراحل متسلسلة تبدأ بالتنقيب عن بيانات التدريب وتوليد إشراف اصطناعي، ثم ضبط نموذج التضمين والإعادة، وصولاً إلى ضبط النموذج التوليدي مع ربطه بالمصادر. النتيجة الأهم ربما تكمن في معيار HERA الذي أُفرج عنه للمجتمع البحثي، لأن غياب المعايير القياسية هو عقبة أولى قبل الحديث عن أي تحسين في الأداء.
من منظور عملي للمطورين العاملين على منظومات RAG للغات غير الإنجليزية: البحث يُثبت أن الثقة العمياء في النماذج متعددة اللغات الجاهزة قد تكون مكلفة، وأن استثماراً معتدلاً في بيانات تدريب متخصصة — أقل من 66 ألف زوج استرجاع — يمكن أن يُحوّل نموذجاً متوسطاً إلى أداة فعلية. الأكواد والنماذج المُكيَّفة والمعيار HERA جميعها مُتاحة للباحثين لدعم المزيد من العمل على منظومات RAG اليونانية والمقارنة البينية.
