# طريقة جديدة تسرّع إخراج النماذج اللغوية المقيّد بالمخططات

> يعرض باحثون محرّكًا قليل استهلاك الذاكرة يسرّع إنشاء JSON واستدعاء الأدوات بمقدار 1.2–1.3×، ويقلّص حجم القواعد بدرجة كبيرة.

Oossa · 2026-10-08 · https://oossa.com/ar/new-inference-method-speeds-up-schema-constrained-language-model-output

نشر فريق بقيادة أريب أسادولاييف طريقة تُلزم النماذج اللغوية باتباع تنسيق إخراج صارم من دون ذاكرة إضافية. وتعتمد التقنية على تحويل التنسيق إلى آلة حالات صغيرة، ثم تطبيق قناع القيود مباشرة على وحدة معالجة الرسوميات. وعلى جهاز Apple M2 Pro بذاكرة 16 GB، أنجز نموذجا Qwen‑3.5‑2B و4B مهام الاستخراج المقيّدة بالمخططات بسرعة أكبر بنحو 1.2–1.3×، واستهلكا 3 MB فقط للقواعد بدلًا من حجم يصل إلى 1.5 GB، كما أتاحا للخادم استضافة ستة عشر مخططًا. وأنجز ستة عشر وكيلًا يعملون بالتوازي لاستدعاء الأدوات مهامهم بسرعة أكبر بمقدار 2.5×.

## الحقائق

- تاريخ النشر: 2026-10-08 ("PUBLISHED: Thu Oct 08 2026")
- زيادة السرعة: استخراج أسرع بمقدار 1.2–1.3×؛ ووكلاء الأدوات أسرع بمقدار 2.5×؛ وحجم القواعد 3 MB بدلًا من 1.5 GB

## لماذا يهم

يمكن للمطوّرين تشغيل مزيد من مهام الذكاء الاصطناعي المقيّدة على وحدة معالجة رسوميات في حاسوب محمول واحد، مع توفير الوقت والذاكرة.

## المصادر والمراجع

1. [Breaking the Space Barrier and its Application to Language Model Inference](https://arxiv.org/abs/2610.09139) – arXiv, 2026-10-08

آخر تحديث: 2026-10-08