أفادت Hugging Face بأن خدمة لتصحيح المقالات البرتغالية، مبنية على نموذج Qwen3‑4B ذي 4 مليارات مُعامِل، خفّضت متوسط الرد من 350 رمزًا إلى 101 رمز بعد استبدال مُجزّئ الرموز الأصلي بآخر متخصص يُدعى VocabX. وخفّض هذا التغيير تكلفة الاستدلال المقاسة بنسبة 77%، مع تحسين جودة التصحيح. وتعتمد الطريقة على إعادة بناء المفردات للتركيز على تكلفة الرموز بدلًا من تكرارها، ودمج بُنى JSON المتكررة في رموز ماكرو مفردة.
لماذا يهم
بالنسبة إلى الشركات التي تشغّل نماذج صغيرة على نطاق محدود في بيئة الإنتاج، يمكن لمُجزّئ رموز أقل تكلفة أن يخفض زمن الاستجابة وفواتير السحابة إلى النصف، من دون إعادة تدريب النموذج.
