محققان در تازهترین دستاورد خود، راهکاری نوآورانه برای ارتقای قدرت جستجوی مدلهای زبانی در گفتگوها ارائه دادهاند. چالش اصلی در مدلهای قبلی، نیاز به آموزش مجدد و از دست رفتن اطلاعات قبلی مدل (Catastrophic Forgetting) بود.
در این روش جدید، به جای بازآموزی سنگین، از «Model Merging» (ترکیب مدلها) استفاده شده تا یک مدل واحد بتواند هم در جستجوی عمومی و هم در محیطهای گفتگو محور، با عملکردی خیرهکننده و بدون نیاز به آموزش اضافی فعالیت کند. نتایج این تحقیق نشان میدهد که این متد میتواند تا ۱۵ درصد دقت پاسخدهی (NDCG@3) را در شرایط zero-shot بهبود ببخشد.
این یعنی حرکت به سمت مدلهای بهینهتر و سریعتر در دنیای چتباتها و دستیارهای هوشمند! 🚀
منبع: arXiv NLP
