أعلنت شركة Liquid AI اليوم عن إطلاق نموذجين جديدين من عائلة الترميز، هما LFM2.5-Encoder-230M وLFM2.5-Encoder-350M، وال متاحين حالياً على منصة Hugging Face. تهدف هذه الإصدارات الجديدة إلى تلبية احتياجات تطبيقات معالجة اللغات الطبيعية التي تتطلب استيعاب نصوص طويلة جداً مع الحفاظ على سرعة تنفيذ عالية وتكاليف تشغيل منخفضة على معالجات الحواسيب التقليدية. تعتمد هذه النماذج على بنية LFM2.5 السابقة، حيث تم تحويلها من محركات توليدية سببية إلى محركات ترميز ثنائية الاتجاه من خلال إضافة قناع انتباه ثنائي الاتجاه، وتلافيف قصيرة غير سببية، بالإضافة إلى تدريبها على مهمة نموذج اللغة المقنع. خضعت النماذج لعملية تدريب على مرحلتين؛ الأولى لبناء الكفاءة اللغوية العامة على سياقات قصيرة، والثانية لتكييفها مع السياقات الطويلة التي تصل إلى ثمانية آلاف وستمائة واثنين وتسعين رمزاً، مما عزز قدراتها في الفهم الواقعي والقانوني والمتعدد اللغات. أظهرت نتائج الاختبارات المعيارية أن النموذج الأكبر حجماً يصنف ضمن النماذج الريادية على سبعة عشر مهمة تصنيف، متفوقاً على نماذج ذات حجم أكبر بكثير، بينما يتفوق النموذج الأصغر على منافساته ذات الحجم المماثل. يبرز الأداء الحقيقي لهذه النماذج في سرعة الاستدلال على المعالجات المركزية، حيث تتفوق بشكل ملحوظ على النماذج المنافسة عند معالجة مدخلات طويلة. عند معالجة السياقات الكاملة، يقلل النموذج الأصغر زمن التنفيذ إلى حوالي 28 ثانية، مما يمثل تسارعاً بنسبة 3.7 مرة مقارنة بالمنافسين الذين يستغرقون أكثر من دقيقة ونصف. هذه الكفاءة تتيح للمطورين فحص العقود الطويلة أو سجلات الدعم الفني أو النصوص القانونية في ثوانٍ معدودة باستخدام عتاد متوفر بالفعل. صُممت هذه النماذج خصيصاً للأحمال العملية المستمرة مثل تصنيف النصوص، فلاتر الأمان، كاشفات المعلومات الحساسة، وموجهات النوايا. يوفر الفريق برمجيات مفتوحة المصدر ووثائق تفصيلية تسمح بتحميل النماذج عبر مكتبة transformers وتدريبها الدقيق على المهام المحددة. تأتي هذه الإصدارات كحل اقتصادي وعملي بديل عن نماذج الذكاء الاصطناعي التوليدي الكبيرة في مهام الفهم العميق، مما يوسع خيارات المطورين لبناء أنظمة لغوية متينة وقابلة للتطوير على أي بنية تحتية حاسوبية.