Model Editing
تعلّم ما تحرير النموذج، وكيف يحدّث سلوك تعلّم الآلة دون إعادة تدريب كاملة، ومخاطره الرئيسية، وأساليب تقييمه، وسير عمل Ultralytics YOLO26.
تحرير النموذج هو تعديل موجّه لـنموذج تعلّم آلي مدرَّب، بحيث يتعلّم سلوكًا محددًا أو يصححه أو يزيله من دون إعادة تدريب كاملة. قد يغيّر المحرِّر أوزان النموذج المحددة، أو يربط وحدة ذاكرة صغيرة، أو يعيد توجيه المخرجات في وقت الاستدلال. ويشير المصطلح عادةً إلى تصحيح المعرفة في نموذج لغوي كبير، رغم أنه ينطبق بشكل متزايد على النماذج الأساسية متعددة الوسائط والرؤية. ولا يعني ذلك تحرير كائن ثلاثي الأبعاد أو صورة مُولَّدة.
كيفية عمل تحرير النموذج#
يحدّد طلب تحرير النموذج عادةً مُدخلًا، والاستجابة القديمة، والاستجابة المطلوبة. وتنقسم الأساليب الموصوفة في دراسة شاملة لتحرير المعرفة عام 2024 عمومًا إلى ثلاث مجموعات: تحديث المعلمات الداخلية، أو دمج المعرفة الجديدة في النموذج، أو الاستعانة بالمعرفة الخارجية. (arxiv.org)
يختلف تحرير النموذج عن التقنيات ذات الصلة:
- الضبط الدقيق: يحدّث السلوك عبر مجموعة بيانات، بينما يهدف تحرير النموذج إلى إجراء تغيير ضيق وموضعي.
- إطار EasyEdit لتحرير المعرفة: يوضّح محرِّرات عملية للمعلمات والذاكرة والتعلّم الفوقي للنماذج اللغوية. (aclanthology.org)
- التوليد المعزّز بالاسترجاع: يوفّر معلومات حديثة من دون تغيير المعلمات الأساسية.
- التعلّم الآلي مع نسيان المعلومات: يسعى إلى إزالة المعلومات المتعلَّمة بدلًا من استبدال المعرفة أو إضافتها.
- دمج النماذج: يجمع بين عدة نماذج مدرَّبة أو تحديثات بدلًا من إجراء تعديل دقيق واحد.
التقييم والمخاطر#
ينبغي أن يحقق التعديل الناجح الموثوقية في الطلب المستهدف، والعمومية عبر المُدخلات المعاد صياغتها، والمحلية في السلوك غير المرتبط، وقابلية النقل إلى مهام الاستدلال المترابطة. وتُظهر الأبحاث حول مخاطر تحرير المعرفة وتدهور القدرة العامة واضطرابات المعرفة المجاورة أن التعديل الذي يبدو صحيحًا قد يغيّر إجابات غير مرتبطة أو مهارات الاستدلال. (openreview.net)
قد تؤدي التعديلات المتكررة أيضًا إلى النسيان الكارثي. وقد تعتمد النتائج بدرجة كبيرة على مقاييس التقييم وحجم الدفعة، كما أبرزت دراسة عام 2025 لتقييم محرِّرات المعرفة ذلك. ويتوسع التقييم متعدد الوسائط من خلال VLKEB لتحرير الرؤية واللغة وMMKE-Bench للمعرفة البصرية المتنوعة. (aclanthology.org)
التطبيقات الواقعية#
- تحديثات نماذج الرؤية واللغة مدى الحياة: يمكن لمساعد بصري أن يتعلّم منتجًا طُرح حديثًا أو هوية معلم مصححة مع الاحتفاظ بالمعرفة البصرية السابقة.
- تصحيحات الرؤية واللغة الطبية: يمكن تقييم الأنظمة السريرية بعد تحديث المصطلحات القديمة أو المعرفة التشخيصية عبر تنويعات الصور والنصوص. (arxiv.org)
- تكييف الرؤية الحاسوبية: يمكن تحديث نموذج فحص للتعرف على نوع جديد من العيوب من دون إعادة بناء مسار التدريب الكامل.
أفضل الممارسات الحالية#
حافظ على نقطة التحقق الأصلية، واستخدم أصغر تحديث فعّال، وأجرِ اختبارًا للنموذج على نطاق واسع قبل النشر. وتشير الأعمال الحديثة إلى ضرورة مقارنة تعديلات الأوزان بالأساليب القائمة على السياق، التي قد تكون أكثر متانة في الظروف الواقعية، واختبار سلاسل طويلة من التعديلات للكشف عن التداخل. (arxiv.org) وينبغي لفرق الإنتاج الاحتفاظ بسجلات التعديلات، ومسارات التراجع، واختبارات السلامة، ومراقبة النموذج المستمرة.
تحرير النموذج في مسارات عمل Ultralytics#
بالنسبة إلى Ultralytics YOLO26، يُعد التدريب الموجّه المكافئ العملي لتحرير نموذج واسع النطاق. يحدّث هذا المثال كاشفًا مدرَّبًا مسبقًا باستخدام مجموعة بيانات صغيرة، ثم يطبّق التحقق لاكتشاف تغيّرات 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 تحقق ذات إصدارات باستخدام إرشادات حفظ نماذج PyTorch، واستخدم منصة Ultralytics لإضافة تعليقات توضيحية إلى البيانات، وتدريب النماذج المحدّثة، ونشر المراجعات، ومراقبة أداء الإنتاج.
