# ضبط المطالبات اللينة يساعد اختبارات النماذج اللغوية الكبيرة على قياس المعرفة لا التنسيق

> تُظهر Aleph Alpha أن تدريب عشرة متجهات صغيرة فقط لمدة دقيقة يتيح للنماذج الأساسية الإجابة بالتنسيق المطلوب، ما يمنح نتائج أوضح.

Oossa · 2026-09-29 · https://oossa.com/ar/soft-prompt-tuning-helps-llm-benchmarks-focus-on-knowledge-not-format

أطلقت Aleph Alpha طريقة تعدّل عدداً قليلاً من المتجهات القابلة للتعلّم، تُسمى المطالبات اللينة، لتعليم نموذج لغوي ثابت تنسيق الإجابة المحدد الذي يتوقعه الاختبار المعياري. يستغرق الضبط نحو 80 خطوة، أي قرابة 1.5 دقيقة لنموذج يضم 7 مليارات مُعامل، ويرفع دقة الالتزام بالتنسيق إلى ما يقارب 100 بالمئة من دون تغيير معرفة النموذج.

وبما أن درجة معرفة النموذج تبقى ثابتة بينما يتحسن التنسيق، يستطيع الباحثون مقارنة النماذج الأساسية على نحو عادل والتنبؤ بترتيبها بعد التدريب اللاحق الكامل، موفّرين أسابيع من وقت الحوسبة.

## الحقائق

- تمثل متجهات المطالبات اللينة العشرة 0.0006٪ من مُعاملات نموذج حجمه 7 مليارات
- يستغرق التدريب نحو 80 خطوة، أي قرابة 1.5 دقيقة لنموذج من 7 مليارات مُعامل

## لماذا يهم

تتيح هذه الطريقة للمطورين تقييم النماذج وترتيبها بسرعة من دون تدريب كامل ومكلف، مع التركيز على ما يعرفه النموذج فعلياً.

## المصادر والمراجع

1. [Soft-Prompt Tuning for Fair and Efficient LLM Benchmark Evaluation](https://www.aleph-alpha.com/en/blog/soft-prompt-tuning-for-fair-and-efficient-llm-benchmark-evaluation/) – Aleph Alpha, 2026-09-29

آخر تحديث: 2026-09-29