
#
وصفت IBM Research نظام Palette في مقال على Hugging Face. يركز المشروع على إنشاء عروض تقديمية تتبع IBM Design Language. وهو يضبط نموذجًا يضم عشرين مليار معلمة لهذه المهمة. يستخدم النظام محول LoRA واحدًا لدورين. يكتب المصمم ملخصًا منظمًا بصيغة JSON. ثم يقوم المبرمج بتوليد JavaScript الخاص بـ pptxgenjs للشرائح الفردية.
يحدد الملخص سياق الشريحة أولاً. ويتيح هذا الاختيار التصميمي تنفيذ استدعاءات البرمجة بالتوازي. يعرضه المصدر على أنه جزء من سير العمل، وليس ادعاءً منفصلًا عن المنتج. ينصب التركيز على الإدخال المنظم والتوليد على مستوى الشريحة. والنتيجة هي خط أنابيب يربط بين التخطيط وإنشاء الكود.
يذكر الباحثون أنهم أنشأوا نحو ألف عرض تدريبي يضم ما يقرب من عشرة آلاف شريحة. ويؤكد المصدر أن هذا يصف طريقة التدريب. وليس دليلًا على أن تلك الشرائح تمثل نشاطًا تجاريًا حقيقيًا. ويذكر التقرير أيضًا أن الفريق يقدّر الدقة الواقعية للملخص المقدم. ويذكر الباحثون أن أمثلة المرجع ساعدت على تحسين الالتزام بالمحتوى المقدم.
ويقول الباحثون أيضًا إن تحسين أمثلة المرجع كان أكثر فائدة من إضافة قواعد إلى المطالبات. وهذه نقطة مهمة لأنها تشير إلى إعداد التدريب، وليس فقط إلى صيغة المطالبة. ولا يقدم المصدر هذا على أنه قاعدة عامة. بل هو نتيجة مذكورة من عمل Palette. والخلاصة الأساسية هي أن جودة الأمثلة كانت أهم من التعليمات الإضافية في عمليتهم.
يستخدم Palette آلية للتحقق والإصلاح قبل إرجاع العرض. وتصلح هذه الآلية أخطاء التنسيق المعروفة. كما أنها تعرض الشرائح وتتحقق من التداخل والقصّ والتجاوز. وتركز هذه الفحوصات على جودة العرض وسلامة التخطيط. وهي جزء من التدفق التشغيلي للنظام.
عندما يحدد المدقق كود شريحة فيه مشكلة، يعيد محرر كتابته. ولا يُحتفظ بإعادة الكتابة إلا إذا قاس المدقق تحسنًا. وهذا يخلق حلقة تغذية راجعة بين التوليد والتحقق. ويعرض المصدر ذلك على أنه خطوة إصلاح مضبوطة. ولا يصف الآلية بأنها ذاتية بالكامل. بل يصف نظامًا يقيم التغييرات ويقبلها فقط عندما تحسن النتيجة المقاسة.
وعبر 131 عرضًا من PresentBench، يذكر المؤلفون مكسبًا متوسطًا قدره 3.5 نقاط من الآلية. وهذه نتيجة تقييم مذكورة في المصدر. وهي تدعم الادعاء بأن خطوة الإصلاح حسّنت النتائج في ذلك السياق المعياري. ولا يمدد المصدر هذه النتيجة إلى ما بعد التقييم المذكور.
في ثلاثة مجالات تم تقييمها، يحتل Palette المرتبة الأولى في Economics وEducation، والثالثة في Talk. ويبلغ متوسطه عبر المجالات الثلاثة 59.7. أما درجة NotebookLM فهي 60.8. ويعرض المصدر هذه الأرقام بوصفها جزءًا من ملخص التقييم. كما يذكر أن نموذجًا رائدًا منفصلًا صاغ خطط الإدخال لهذه التقييمات، وأن درجات الأساس جاءت من ورقة PresentBench.
ويضيف المصدر تحذيرًا مهمًا بشأن المعيار نفسه. فـ PresentBench لا يقيس الالتزام بلغة تصميم معينة. وهذا يعني أن نتائج المعيار لا تختبر مباشرة ما إذا كان العرض يطابق IBM Design Language. لذلك يغطي التقييم الأداء في مهام المعيار، بينما يبقى هدف لغة التصميم هدفًا منفصلًا للنظام.
يصف الباحثون التعلم المعزز من الفحوصات، واستخراج الأشكال، وتكييف القوالب القائمة على أنها اتجاهات مستقبلية. ويصنفها المصدر بوضوح على أنها عمل مستقبلي، لا ميزات مكتملة. وهذه التفرقة مهمة لأنها تفصل سلوك النظام الحالي عن امتداداته المخططة. ويركز الوصف الحالي على الضبط الدقيق، والملخصات المنظمة، وتوليد كود الشرائح، وفحوصات الإصلاح.
ومن منظور تشغيلي، يشير المصدر إلى سير عمل قائم على التحقق. فالنظام لا يكتفي بتوليد الشرائح ثم التوقف. بل يتحقق من المخرجات، ويعيد كتابة الكود الذي تم الإبلاغ عنه، ولا يحتفظ بالتغييرات إلا إذا حسنت النتيجة المقاسة. ويمكن لهذا النهج أن يساعد في التحكم بمشكلات التنسيق وأخطاء التخطيط. كما يضيف خطوة مراجعة تشكل العرض النهائي.
وبشكل عام، يُقدَّم Palette كنظام منظم لتوليد العروض التقديمية مع تركيز قوي على الدقة، والتحقق من التخطيط، والإصلاح القابل للقياس. ويركز المصدر على كيفية عمل خط الأنابيب وعلى أدائه في التقييم المذكور. ولا يدعي أن الاتجاهات المستقبلية قد نُفذت بالفعل. كما يفصل نتائج المعيار عن هدف لغة التصميم.
أضفوا Intelligence Artificielle Maroc إلى مصادركم المفضلة لرؤية المزيد من أخبارنا ذات الصلة في بحث Google.
نحن نبني منصات ذكاء اصطناعي مخصصة ومنتجات SaaS وتطبيقات أعمال ذكية وأنظمة أتمتة.
هذا النموذج مخصص لطلبات المشاريع وليس للأسئلة العامة حول الذكاء الاصطناعي.