ستساعدك المقالة التالية: تعرف على LMQL: لغة برمجة مفتوحة المصدر ونظام أساسي لتفاعل نموذج اللغة الكبير (LLM)
أحدثت النماذج اللغوية الكبيرة عاصفة في مجتمع الذكاء الاصطناعي. ساعد تأثيرهم الأخير في المساهمة في مجموعة واسعة من الصناعات مثل الرعاية الصحية ، والتمويل ، والتعليم ، والترفيه ، وما إلى ذلك. تؤدي النماذج اللغوية الكبيرة المعروفة مثل GPT و DALLE و BERT مهامًا غير عادية وتسهل الحياة. بينما يمكن لـ DALLE 2 إنشاء صور تستجيب لوصف نصي بسيط ، يمكن لـ GPT-3 كتابة مقال ممتاز ، ورموز كاملة ، وتلخيص فقرات نصية طويلة ، والإجابة على أسئلة مثل البشر ، وإنشاء محتوى بموجبه قصير بلغة طبيعية. تساعد هذه النماذج الذكاء الاصطناعي والتعلم الآلي على التحرك بسرعة من خلال نقلة نوعية.
في الآونة الأخيرة ، قدم فريق من الباحثين LMQL ، وهي لغة برمجة مفتوحة المصدر ومنصة لتفاعل نموذج اللغة. تعمل LMQL ، التي تعني لغة استعلام نموذج اللغة ، على تحسين قدرات نماذج اللغة الكبيرة (LLMs) من خلال الجمع بين المطالبات والقيود والبرمجة النصية. نظرًا لكونها لغة تعريفية شبيهة بلغة SQL تعتمد على Python ، فإن LMQL توسع النص الثابت الذي يطالب بتدفق التحكم وفك التشفير الموجه بالقيود وزيادة الأدوات. مع هذا النوع من البرمجة النصية ، يبسط LMQL تدفقات المطالبة متعددة الأجزاء باستخدام جزء صغير جدًا من التعليمات البرمجية.
استخدم الباحثون LMQL لتمكين LMP (برمجة نموذج اللغة) ، الذي يعمم نموذج اللغة من مطالبات النص الخالص إلى مجموعة من المطالبة النصية والبرمجة النصية. يؤثر LMQL على القيود وتدفق التحكم من موجه LMP لإنشاء إجراء استنتاج فعال. تتم ترجمة هذه القيود المنطقية وعالية المستوى إلى أقنعة رمزية بمساعدة بعض دلالات التقييم التي يتم فرضها بشدة في وقت التوليد.
قدم الفريق LMQL لتجنب التكلفة العالية لإعادة الاستعلام والتحقق من صحة النص الذي تم إنشاؤه. يمكن أن يساعد هذا LMQL في إنتاج نص أقرب إلى الإخراج المطلوب في المحاولة الأولى دون الحاجة إلى التكرارات اللاحقة. أيضًا ، تسمح قيود LMQL للمستخدمين بتوجيه عملية إنشاء النص أو توجيهها وفقًا لمواصفاتهم المرغوبة ، مثل التأكد من أن النص الذي تم إنشاؤه يتبع قواعد نحوية أو نحوية معينة أو أنه يتم تجنب كلمات أو عبارات معينة.
ذكر الباحثون كيف يمكن لـ LMQL التقاط مجموعة واسعة من طرق التحفيز الحديثة ، مثل التدفقات التفاعلية ، التي يصعب تنفيذها باستخدام واجهات برمجة التطبيقات الحالية. يُظهر التقييم أن LMQL يحتفظ بالدقة أو يحسنها في العديد من المهام النهائية مع تقليل الحساب أو التكلفة بشكل كبير في واجهات برمجة التطبيقات للدفع مقابل الاستخدام ، مما يؤدي إلى توفير في التكاليف بنسبة 13-85٪.
يسمح LMQL للمستخدمين بالتعبير عن مجموعة واسعة من تقنيات التحفيز الشائعة والمتقدمة ببساطة ودقة. إنه يتكامل مع Hugging Face’s Transformers و OpenAI API و Langchain. تتوفر موارد المطور لنفسه في lmql.ai، و Playground IDE المستند إلى المستعرض متاح لـ التجريب.
للتلخيص ، يبدو LMQL وكأنه تطور واعد حيث يوضح التقييم كيف أن LMQL هي أداة قوية يمكنها تحسين كفاءة ودقة برمجة النماذج اللغوية. يمكن أن يسهل على المستخدمين تحقيق النتائج المرجوة بموارد أقل.
