العلامة التقنية

موقع تقني عربي متخصص في أخبار التكنولوجيا والذكاء الاصطناعي

DeepSeek تطلق DSpark لتسريع توليد النصوص بنسبة تصل إلى 85%

بقلم: فريق تحرير العلامة التقنية التصنيف: الذكاء الاصطناعي
DeepSeek تطلق DSpark لتسريع توليد النصوص بنسبة تصل إلى 85%

DeepSeek تطلق DSpark، إطار تخميني يسرع توليد النصوص في DeepSeek-V4 بنسبة 60-85% مع الحفاظ على جودة الإخراج.

أعلنت شركة DeepSeek عن إطلاق إطار عمل جديد مفتوح المصدر يُدعى DSpark، وهو إطار لتسريع عملية توليد النصوص باستخدام نماذج الذكاء الاصطناعي الكبيرة. يُعد DSpark تحسينًا لخدمة النماذج القائمة مثل DeepSeek-V4، حيث يدمج وحدة مسودة (draft) متقدمة مع الأوزان الحالية للنموذج دون الحاجة إلى إعادة تدريب كامل.

ما هو DSpark وكيف يعمل؟

يعتمد DSpark على تقنية تُعرف باسم الترميز التخميني التنبؤي (speculative decoding)، التي تقسم عملية التوليد إلى مرحلتين: أولاً، يُنتج نموذج مسودة صغير كتلة من الرموز المحتملة، ثم يتحقق النموذج الكامل من صحة هذه الرموز في خطوة واحدة. تستخدم هذه الطريقة تقنية رفض العينة لقبول أطول جزء صحيح من النص وإضافة رمز إضافي، مما يضمن الحفاظ على جودة الإخراج دون فقدان المعلومات.

يتميز DSpark باستخدام هيكلية مزدوجة تجمع بين شبكة أساسية متوازية تنتج تقديرات أولية لكل موقع في النص، ورأس متسلسل خفيف يعتمد على نموذج ماركوف يضيف تعديلات تعتمد على الرموز السابقة لضبط التوليد بشكل أفضل. هذا التصميم يقلل من مشكلة تدهور القبول في نهاية الكتل الناتجة، ويضمن ثبات جودة النص عبر كامل طول التوليد.

تحسينات الأداء وتقليل الكمون

يستفيد DSpark من ثلاثة عوامل رئيسية لتحسين سرعة التوليد:

  • زيادة سرعة المسودة (تقليل زمن الإنتاج الأولي للرموز).
  • تحسين جودة المسودة لزيادة عدد الرموز المقبولة دفعة واحدة.
  • التحقق الذكي من الرموز لتقليل الوقت الضائع في مراجعة رموز غير صحيحة.

يُضاف إلى ذلك نظام جدولة ذكي يتكيف مع حمل وحدة معالجة الرسوميات (GPU)، حيث يزيد من عدد الرموز التي يتم التحقق منها عندما تكون الموارد غير مشغولة، ويقللها عند ارتفاع الضغط، مع الحفاظ على دقة وجودة النتائج.

نتائج الأداء والاختبارات العملية

أظهرت الاختبارات أن DSpark يحقق زيادة في طول النص المقبول بنسبة تتراوح بين 16% إلى 31% مقارنة بحلول سابقة مثل Eagle3 وDFlash. أما في بيئة الإنتاج الحيّة على نموذج DeepSeek-V4، فقد سجل DSpark تسريعًا في التوليد يتراوح بين 60% إلى 85% مقارنة بالأساس السابق MTP-1، مع الحفاظ على جودة النص دون أي فقدان.

ويُعتبر هذا التحسن ملحوظًا خصوصًا في البيئات التي تتطلب معالجة متزامنة عالية وعددًا كبيرًا من المستخدمين، حيث يوازن النظام بين السرعة وجودة التوليد بشكل ديناميكي.

استخدامات DSpark في مجالات مختلفة

يُظهر DSpark كفاءة عالية في التعامل مع أنواع متعددة من المهام، حيث تستفيد تطبيقات التوليد النصي المهيكل مثل توليد الشفرات البرمجية من قبول عالي للكتل الطويلة، مما يسمح بتدفق أسرع للإخراج. أما التطبيقات المفتوحة مثل الدردشة النصية فتستفيد من نظام التحقق المعتمد على الثقة لخفض الأخطاء وتحسين جودة النص.

مبادرة مفتوحة المصدر وتدريب النماذج

أصدرت DeepSeek أيضًا مشروع DeepSpec، وهو مستودع مفتوح المصدر تحت ترخيص MIT يتيح للمطورين تدريب وتقييم نماذج الترميز التخميني التنبؤي. يوفر المشروع أدوات لإعداد البيانات، والتدريب، والاختبار على مجموعات بيانات متنوعة، مع دعم لتشغيله على أنظمة متعددة باستخدام وحدات GPU.

كما يمكن دمج وحدة المسودة DSpark بسهولة مع أوزان نموذج DeepSeek-V4 الحالية دون الحاجة إلى إعادة تدريب كامل للنموذج الأساسي، مما يسهل اعتماد التقنية في بيئات الإنتاج.

لماذا يهم DSpark قطاع الذكاء الاصطناعي؟

مع تزايد حجم نماذج الذكاء الاصطناعي وتعقيدها، يصبح تحسين سرعة التوليد وتقليل زمن الاستجابة أمرًا حيويًا لتقديم خدمات تفاعلية ذات جودة عالية. DSpark يقدم حلاً متقدمًا يجمع بين السرعة والدقة، مما يفتح آفاقًا جديدة لتطبيقات الذكاء الاصطناعي في الوقت الحقيقي مثل المساعدات الذكية، الترجمة الآلية، وتوليد المحتوى الإبداعي.

المصدر: MarkTechPost

أحدث في الذكاء الاصطناعي

مقالات سابقة في الذكاء الاصطناعي