استكشاف قدرات LLAMA-3: RAG والتوجيه وتحديد الوظائف

في هذا القسم، سنستكشف قدرات LLAMA-3 في تنفيذ توجيه الاستعلام وإجراء الوظائف. سنستخدم واجهة برمجة تطبيقات Gro لتحميل نماذج LLAMA-3 واختبار أدائها على مهام مختلفة.

أولاً، سنقوم بإنشاء متجرين للمتجهات: واحد لتجزئة المستندات والتضمينات، والآخر لتلخيص المستندات. سيسمح لنا هذا باختبار قدرة النموذج على اختيار متجر المتجهات المناسب بناءً على استعلام المستخدم.

بعد ذلك، سنفحص أداء النموذج على توجيه الاستعلام. سنزود النموذج بالاستعلامات التي تتطلب إما استرداد حقائق محددة أو تلخيص المستند، ونلاحظ كيف يختار النموذج متجر المتجهات المناسب لتوليد الاستجابة.

أخيرًا، سنستكشف قدرات النموذج على استدعاء الوظائف. سنستخدم تنفيذ استخدام الأداة في واجهة برمجة تطبيقات Gro لتمكين النموذج من استدعاء وظائف خارجية، مثل استرداد نتائج مباريات NBA. سنلاحظ كيف يقرر النموذج متى استخدام الوظيفة الخارجية وكيف يدمج إخراج الوظيفة في الاستجابة النهائية.

طوال القسم، سنقارن أداء إصدارات LLAMA-3 بسعة 38 مليار و70 مليار، مع إبراز التحسينات في النموذج الأكبر.

في هذا القسم، سنفحص قدرة LLAMA-3 على تنفيذ مهام توجيه الاستعلام واستدعاء الوظائف. سنستخدم المقال "Synthetic Social Networking is Coming" من WGE كمصدر للبيانات لاختباراتنا.

أولاً، نقوم بإعداد المكونات اللازمة، بما في ذلك تحميل نموذج LLAMA-3 (الإصدارين بسعة 38 مليار و70 مليار) باستخدام واجهة برمجة تطبيقات Gro، وإنشاء متجرين للمتجهات: واحد للتجزئة والآخر للتلخيص.

ثم نختبر قدرات توجيه الاستعلام للنموذج من خلال طرح أسئلة تتطلب استرداد حقائق محددة أو تلخيص المستند بأكمله. يُظهر إصدار LLAMA-3 بسعة 70 مليار أداءً أفضل، مع توفير استجابات أكثر دقة وشمولاً مقارنةً بالإصدار بسعة 38 مليار.

بعد ذلك، نستكشف قدرات استدعاء الوظائف في LLAMA-3، والتي لا تُدعم رسميًا ولكن يمكن تنفيذها باستخدام ميزة استخدام الأداة في Gro. نقوم بإنشاء رسالة نظام تعلّم النموذج استخدام وظيفة خارجية لاسترداد نتائج مباريات NBA وتضمين أسماء الفرق والنتائج النهائية في الاستجابة. يتمكن كل من إصدارَي LLAMA-3 بسعة 38 مليار و70 مليار من استخدام الوظيفة الخارجية بنجاح وتوفير المعلومات المطلوبة.

بشكل عام، تُظهر النتائج أن LLAMA-3 قادر على الأداء بشكل جيد في مجموعة متنوعة من مهام RAG (الاسترداد المعزز بالتوليد)، مع تفوق الإصدار الأكبر بسعة 70 مليار على مستوى الأداء في جميع المجالات.

يُظهر نموذج LLAMA-3 بسعة 70 مليار معلمة تحسنًا كبيرًا في الأداء مقارنةً بالنموذج بسعة 38 مليار معلمة. تشمل الاختلافات الرئيسية ما يلي:

• يوفر النموذج بسعة 70 مليار تلخيصات أكثر تفصيلاً ودقة للمعلومات المذكورة عن شركات مثل Meta و OpenAI. يتمكن من تركيب النقاط الرئيسية بدلاً من مجرد نسخ الجمل من النص الأصلي.

• بالنسبة للاستعلامات الأكثر تعقيدًا والتي تتضمن أجزاء متعددة، يقوم النموذج بسعة 70 مليار بتوجيه الاستعلام بشكل أفضل - حيث يحدد بشكل صحيح أي من مصادر البيانات المتاحة (فهرس المتجهات أو فهرس الملخص) هو الأكثر صلة بالإجابة على السؤال.

• عند السؤال عن مواضيع غير متعلقة بوظائف الأداة المتاحة، يتمكن النموذج بسعة 70 مليار من التعرف على ذلك وتقديم استجابة مفكرة، بدلاً من محاولة استدعاء أداة غير مناسبة كما فعل النموذج بسعة 38 مليار.

بشكل عام، يؤدي الزيادة في حجم نموذج LLAMA-3 بسعة 70 مليار معلمة إلى تحسن ملحوظ في قدرات الفهم اللغوي والاستدلال، مما يسمح له بالتعامل بشكل أكثر فعالية مع الاستعلامات الأكثر تعقيدًا وانفتاحًا. ويبدو أن زيادة حجم النموذج هي عامل رئيسي في تمكين هذه التحسينات في الأداء.

لا يدعم LLAMA-3 رسميًا استدعاء الوظائف، ولكن توفر واجهة برمجة تطبيقات Grok تنفيذًا لاستخدام الأداة، مما يمكّن نموذج اللغة من الاستفادة من الأدوات الخارجية للإجابة على الاستعلامات المعقدة.

الخطوات الرئيسية المشاركة في هذه العملية هي:

1. تعريف الأداة: تتضمن رسالة النظام وصفًا مفصلاً للأداة المتاحة، بما في ذلك معلمات الإدخال والإخراج. يسمح هذا لنموذج اللغة بتحديد الأداة المناسبة لاستخدامها في استعلام معين.

2. اختيار الأداة: عندما يطرح المستخدم سؤالاً، يتحقق نموذج اللغة أولاً مما إذا كان عليه استخدام أداة خارجية. إذا كان الأمر كذلك، فإنه يختار الأداة المناسبة بناءً على سياق الاستعلام.

3. استدعاء الأداة: يقوم نموذج اللغة باستدعاء الأداة المحددة، مع تمرير معلمات الإدخال اللازمة. يتم بعد ذلك إدخال استجابة الأداة إلى نموذج اللغة.

4. توليد الاستجابة النهائية: يستخدم نموذج اللغة المعلومات من استجابة الأداة لتوليد الإجابة النهائية للمستخدم.

يسمح هذا النهج لـ LLAMA-3 بالاستفادة من القدرات الخارجية، مثل إجراء حسابات معقدة أو استرداد بيانات محددة، لتوفير استجابات أكثر دقة وشمولاً للاستعلامات المقدمة من المستخدم.

يوضح المثال المقدم كيف يمكن دمج LLAMA-3 مع واجهة برمجة تطبيقات Grok للإجابة على أسئلة حول نتائج مباريات NBA. يتمكن النموذج من اختيار الأداة المناسبة، واستدعاء وظيفة "الحصول على نتيجة المباراة"، ثم استخدام المعلومات المسترجعة لتوليد استجابة مفصلة للمستخدم.

بشكل عام، يوسع هذا الدمج لـ LLAMA-3 مع الأدوات الخارجية قدرات النموذج ويمكّنه من التعامل مع مجموعة أوسع من الاستعلامات والمهام.

أظهر نموذج Lama 3، بكلا الإصدارين بسعة 38 مليار و70 مليار، قدرات مвпечатляющة في مهام مختلفة مثل توجيه الاستعلام واستدعاء الوظائف. تُظهر قدرة النموذج على تحديد متجر المتجهات أو فهرس الملخص ذي الصلة بدقة بناءً على استعلام المستخدم قوة فهمه للسياق والصلة.

تفوق الإصدار بسعة 70 مليار بشكل خاص على الإصدار الأصغر بسعة 38 مليار في الاستعلامات الأكثر تعقيدًا، مع توفير استجابات أكثر تفصيلاً ودقة. كما تُبرز تنفيذ ميزة استدعاء الوظائف باستخدام واجهة برمجة تطبيقات Gro مرونة النموذج وقدرته على الاستفادة من الأدوات الخارجية لتعزيز قدراته.

بشكل عام، أثبتت نماذج Lama 3 أنها نماذج لغوية قوية يمكنها التعامل بفعالية مع مجموعة واسعة من المهام. يمكن أن تكون الرؤى المكتسبة من هذا التحليل قيمة للمطورين والباحثين العاملين على مشاريع مماثلة، حيث يستكشفون إمكانات نماذج اللغة الكبيرة وتطبيقاتها العملية.