أطلقت AI21 نموذج Jamba 1.5: نموذج محول هجين متقدم SSM يوفر قدرات ذكاء اصطناعي وكيل متطورة.

تعتبر المحولات (Transformers) جزءًا أساسيًا في مشهد الذكاء الاصطناعي التوليدي، لكنها ليست الطريقة الوحيدة لتطوير النماذج. أطلقت AI21 اليوم إصدارات جديدة من نموذج Jamba، حيث دمجت المحولات مع أسلوب نموذج الفضاء السكني المنظم (SSM). تعزز الإصدارات الصغيرة والكبيرة من Jamba 1.5 الابتكارات المقدمة مع Jamba 1.0 في مارس. وتهدف Jamba، التي تستخدم أسلوب SSM المسمى Mamba، إلى دمج مزايا كل من المحولات وSSM. اسم "Jamba" يشير إلى "الاهتمام المشترك" وهندسة Mamba، مما يعد بأداء ودقة محسّنة تتجاوز ما يمكن لأي نموذج تحقيقه بمفرده.

قال أور داجان، نائب رئيس المنتج في AI21: "لقد تلقينا ردود فعل مذهلة من المجتمع؛ كانت هذه هي أول نموذج على نطاق الإنتاج يعتمد على Mamba، وما زالت واحدة من النماذج القليلة". وأضاف: "هذه الهندسة الجديدة أثارت نقاشات حول مستقبل هندسات LLM ودور المحولات".

تقدم سلسلة Jamba 1.5 ميزات جديدة، بما في ذلك استدعاء الوظائف، ووضع JSON، وملفات الوثائق المنظمة، ووضع الاقتباس. هذه الإضافات تجعل هذه النماذج مرشحة مثالية لتطوير أنظمة الذكاء الاصطناعي الفعالة. كلا الإصدارين يتميزان بنوافذ سياق كبيرة تصل إلى 256K، ويستخدمان بنية "مزج الخبراء" (MoE)، حيث يحتوي Jamba 1.5 mini على 52 مليار معلمة (12 مليار نشطة) في حين يشتمل Jamba 1.5 large على 398 مليار معلمة (94 مليار نشطة).

هذه النماذج متاحة بموجب ترخيص مفتوح، مع توفير AI21 للدعم التجاري والخدمات. أنشأت الشركة شراكات مع AWS وGoogle Cloud وMicrosoft Azure وSnowflake وDatabricks وNvidia.

ميزات جديدة في Jamba 1.5: تسريع الذكاء الاصطناعي الفعال

تتميز نماذج Jamba 1.5 Mini وLarge بالعديد من القدرات الجديدة المصممة لتلبية احتياجات تطوير الذكاء الاصطناعي المتطور:

- وضع JSON للتعامل الفعال مع البيانات الهيكلية

- الاقتباسات لتعزيز المساءلة

- واجهة برمجة التطبيقات للوثائق لتحسين إدارة السياق

- قدرات استدعاء الوظائف

يشير داجان إلى أن هذه التحسينات حيوية للمطورين الذين يتقدمون بأنظمة الذكاء الاصطناعي الفعالة. يُستخدم JSON (JavaScript Object Notation) بشكل واسع لإنشاء تدفقات العمل، وإن تضمينه يُسهل العلاقات الواضحة بين الإدخال/الإخراج في إعدادات الذكاء الاصطناعي المعقدة، متجاوزًا الاستخدام الأساسي لنماذج اللغة. تعمل ميزة الاقتباس بالتنسيق مع واجهة برمجة التطبيقات الجديدة للوثائق.

شرح داجان قائلاً: "نعلّم النموذج نسبة المحتوى ذي الصلة للوثائق المقدمة أثناء التوليد".

تمييز وضع الاقتباس عن RAG

من المهم التمييز بين وضع الاقتباس و"التوليد المعزز بالاسترجاع" (RAG)، رغم أن كلاهما يهدف إلى تأصيل مخرجات الذكاء الاصطناعي في بيانات موثوقة. أوضح داجان أن وضع الاقتباس في Jamba 1.5 مصمم ليتكامل بسلاسة مع واجهة برمجة التطبيقات للوثائق، مما يقدم نهجًا أكثر شمولية مقارنةً بـ RAG التقليدي. في إعدادات RAG القياسية، يربط المطورون نموذج اللغة بقاعدة بيانات متجهات، مما يتطلب من النموذج دمج البيانات المسترجعة بشكل فعال في مخرجاته.

في المقابل، يرتبط وضع الاقتباس في Jamba 1.5 بالنموذج نفسه، مما يسمح له باسترجاع المعلومات ودمجها واستشهاد بها بوضوح في مخرجاته. تعزز هذه الميزة الشفافية وتتبع البيانات مقارنةً بتدفقات عمل نماذج اللغة التقليدية، حيث يمكن أن تكون منطق النموذج أقل وضوحًا.

كما تدعم AI21 حلول RAG وتقدم خدمة مدارة بالكامل تشمل استرجاع الوثائق والفهرسة.

وفيما يتعلق بالمستقبل، أكد داجان التزام AI21 بتطوير نماذجها لتلبية احتياجات العملاء، مع التركيز المستمر على تعزيز قدرات الذكاء الاصطناعي الفعالة. قال: "نحن ندرك ضرورة الابتكار في أنظمة الذكاء الاصطناعي الفعالة، وخاصة فيما يتعلق بالتخطيط والتنفيذ".