Model Editing
تعرف على مفهوم تعديل النماذج، وكيفية تحديث سلوك التعلم الآلي دون إعادة تدريب كاملة، والمخاطر الرئيسية، وطرق التقييم، وتدفقات عمل Ultralytics YOLO26.
تعديل النماذج هو تعديل مستهدف لـنموذج تعلم ماشية مُدرب مسبقاً بحيث يتعلم أو يصحح أو يزيل سلوكاً معينة دون الحاجة لإعادة التدريب بالكامل. قد يقوم المُعدل بتغيير أوزان نموذج محددة، أو إرفاق وحدة ذاكرة صغيرة، أو إعادة توجيه المُخرجات وقت الاستدلال. يشير المصطلح عادةً إلى تصحيح المعرفة في نموذج لغة كبير، رغم أنه يُطبق بشكل متزايد على نماذج الأساس متعددة الوسائط والرؤية. وهو لا يعني تعديل جسم ثلاثي الأبعاد أو صورة مُولدة.
Link to this sectionكيف يعمل تعديل النماذج#
عادة ما يحدد طلب تعديل النموذج إدخالاً، والاستجابة القديمة، والاستجابة المطلوبة. الطرق الموضحة في دراسة شاملة لتحرير المعرفة لعام 2024 تنقسم عموماً إلى ثلاث مجموعات: تحديث المُعلمات الداخلية، دمج معرفة جديدة في النموذج، أو استشارة المعرفة الخارجية. (arxiv.org)
يختلف تعديل النماذج عن التقنيات ذات الصلة فيما يلي:
- الضبط الدقيق: يُحدث السلوك عبر مجموعة بيانات، بينما يستهدف تعديل النماذج تغييراً ضيقاً ومحلياً.
- إطار عمل EasyEdit لتحرير المعرفة: يوضح مُعدلي المُعلمات والذاكرة والتعلم الفوقي العملية لنماذج اللغات. (aclanthology.org)
- التوليد المعزز بالاسترجاع: يوفر معلومات حديثة دون تغيير المُعلمات الأساسية.
- النسيان الآلي: يسعى لإزالة المعلومات المُتعلمة بدلاً من استبدال المعرفة أو إضافتها.
- دمج النماذج: يدمج نماذج أو تحديثات مُدربة متعددة بدلاً من إجراء تعديل دقيق واحد.
Link to this sectionالتقييم والمخاطر#
يجب أن يلبي التعديل الناجح الموثوقية للطلب المستهدف، والعمومية عبر المدخلات المُعاد صياغتها، والمحلية على السلوك غير المرتبط، والقابلية للنقل إلى مهام الاستدلال المرتبطة. تُظهر الأبحاث حول مخاطر تحرير المعرفة، تدهور القدرة العامة، واضطرابات المعرفة المجاورة أن التعديل الصحيح ظاهرياً يمكن أن يغير إجابات أو مهارات استدلال غير مرتبطة. (openreview.net)
قد تتسبب التعديلات المتكررة أيضاً في النسيان الكارثي. يمكن أن تعتمد النتائج بشكل كبير على مقاييس التقييم وحجم الدفعة، كما تم تسليط الضوء عليه في دراسة لتقييم مُحري المعرفة لعام 2025. يتوسع التقييم متعدد الوسائط من خلال VLKEB لتحرير الرؤية واللغة وMMKE-Bench للمعرفة البصرية المتنوعة. (aclanthology.org)
Link to this sectionتطبيقات العالم الحقيقي#
- تحديثات نموذج الرؤية واللغة المستمرة مدى الحياة: يمكن للمساعد البصري تعلم منتج تم إدخاله حديثاً أو هوية معلم جغرافي مُصححة مع الاحتفاظ بالمعرفة البصرية السابقة.
- تصحيحات الرؤية واللغة الطبية: يمكن تقييم الأنظمة السريرية بعد تحديث المصطلحات القديمة أو المعرفة التشخيصية عبر تباينات الصور والنصوص. (arxiv.org)
- تكييف الرؤية الحاسوبية: يمكن تحديث نموذج الفحص للتعرف على نوع عيب جديد دون إعادة بناء خط أنابيب التدريب بالكامل.
Link to this sectionأفضل الممارسات الحالية#
حافظ على نقطة التحقق الأصلية، واستخدم أصغر تحديث فعال، وقم بتشغيل اختبار النماذج واسع النطاق قبل النشر. تقترح الأعمال الحديثة مقارنة تعديلات الأوزان بالنهج القائمة على السياق، والتي قد تكون أكثر قوة في ظل الظروف الواقعية، واختبار تسلسلات طويلة من التعديلات للتداخل. (arxiv.org) يجب على فرق الإنتاج الاحتفاظ بسجلات التعديل، ومسارات التراجع، واختبارات الأمان، ومراقبة النماذج المستمرة.
Link to this sectionتعديل النماذج في مهام Ultralytics#
بالنسبة لـ Ultralytics YOLO26، يُعد التدريب المستهدف المعادل العملي لتعديل النموذج الواسع. يقوم هذا المثال بتحديث كاشف مُدرب مسبقاً باستخدام مجموعة بيانات صغيرة، ثم يطبق التحقق من الصحة لاكتشاف تغييرات الأداء غير المقصودة:
from ultralytics import YOLO
model = YOLO("yolo26n.pt")
model.train(data="coco8.yaml", epochs=1)
metrics = model.val()
print(metrics.box.map)احتفظ بنقاط التحقق المُصدرة الإصدار باستخدام إرشادات حفظ نموذج PyTorch، واستخدم منصة Ultralytics لتعليق البيانات، وتدريب النماذج المُحدثة، ونشر المراجعات، ومراقبة أداء الإنتاج.
