Task Vectors

تمثل متجهات المهام التغييرات المحددة التي يتم إجراؤها على أوزان الشبكة العصبية أثناء الضبط الدقيق لتحقيق قدرة جديدة. من خلال طرح معاملات نموذج أساسي تأسيسي من معاملات نموذج معدل بدقة، يمكن للباحثين عزل متجة اتجاهي في مساحة الأوزان يوجز السلوك المتعلم لتلك المهمة المحددة. يتيح هذا النهج للمطورين تطبيق عمليات حسابية بسيطة على معاملات النموذج لتوجيه سلوكيات النموذج أو تعديلها أو دمجها دون الحاجة إلى موارد الحوسبة الخاصة بالتدريب الإضافي.

كيف تختلف متجهات المهام عن التعلم بنقل المعرفة (Transfer Learning)#

في حين أن مفهوم التعلم النقلي يتضمن تدريب نموذج بشكل تسلسلي على مجموعة بيانات جديدة لتكيف معرفته الحالية، فإن متجهات المهام تعمل مباشرة على الأوزان الهيكلية للنموذج بعد التدريب. بدلاً من إعادة تدريب التدرجات لتعلم مجال جديد، يتيح استيفاء مساحة الأوزان باستخدام متجهات المهام للممارسين دمج فروق الأوزان خطياً من نماذج متعددة مدربة بشكل مستقل. وهذا يتيح دمج النماذج بدون عينات تدريبية، مما يسمح لنموذج واحد بوراثة قدرات متعددة في نفس الوقت دون عبء الحوسبة المعتاد أثناء التدريب.

تطبيقات العالم الحقيقي#

أدت القدرة على التلاعب بنماذج التعلم العميق جبرياً إلى العديد من التطبيقات المؤثرة عبر خطوط أنابيب الذكاء الاصطناعي الحديثة:

• دمج النماذج متعددة المهام: يمكن للمهندسين دمج متجه مهمة محسّن لـ كشف الكائنات مع متجه آخر مُدرب لـ تجزئة الصور. عند التطبيق على نموذج أساسي من نوع Ultralytics YOLO26، فإن هذا ينشئ بنية ثنائية الغرض تتفوق في كلا المهام في نفس الوقت، مع الحفاظ على نقاط القوة لكل تعديل دقيق أصلي.
• إلغاء تعلم الآلة وأمان الذكاء الاصطناعي: إذا أظهر النموذج مخرجات متحيزة أو خطيرة، فيمكن للباحثين حساب متجه مهمة يمثل هذا السلوك غير المرغوب فيه على وجه التحديد. من خلال طرح هذا المتجه من أوزان النموذج، يمكنهم "محو" السلوك بفعالية، مما يسهم بشكل كبير في تحسين أمان الذكاء الاصطناعي ومعايير أخلاقيات الذكاء الاصطناعي القوية.
• التكيف مع المجال في الرؤية الحاسوبية: عند تكييف النماذج لبيئات محددة - مثل الانتقال من النهار إلى الليل في الاستدلال الفوري - تتيح متجهات المهام للمستخدمين قياس حجم التكيف. يمكن أن يؤدي تطبيق جزء من المتجه (على سبيل المثال، عامل قياس قدره 0.5) إلى إنتاج نموذج متوازن يعمل بشكل جيد في كلا المجالين.

العمل باستخدام متجهات المهام في PyTorch#

إنشاء وتطبيق متجه المهام يتطلب الوصول إلى PyTorch state dictionary والتعامل معها. يوضح المثال التالي كيفية استخراج متجه المهام من نموذج Ultralytics YOLO26 مضبوط بدقة وتطبيقه مرة أخرى على النموذج الأساسي مع عامل تحجيم محدد.

from ultralytics import YOLO

# Load the state dictionaries for the base and fine-tuned models
base_weights = YOLO("yolo26n.pt").model.state_dict()
tuned_weights = YOLO("yolo26n-custom.pt").model.state_dict()

# Calculate the task vector (tuned weights minus base weights)
task_vector = {k: tuned_weights[k] - base_weights[k] for k in base_weights.keys()}

# Apply the task vector to the base model using a 0.5 scaling factor
for k in base_weights.keys():
    base_weights[k] += 0.5 * task_vector[k]

مستقبل التلاعب بالأوزان#

مع نمو البنى مثل نماذج اللغة الكبيرة ومحولات الرؤية الضخمة في عدد المعلمات، يصبح إعادة تدريبها لكل تعديل طفيف غير مجدٍ اقتصادياً. توفر متجهات المهام بديلًا أنيقًا رياضيًا لـ تحسين النماذج بعد التدريب. من خلال مشاركة متجهات المهام خفيفة الوزن بدلاً من النماذج الكاملة متعددة الجيجابايت، يمكن لمجتمع الذكاء الاصطناعي تسريع التعاون مفتوح المصدر في الذكاء الاصطناعي. بمجرد تحسين متجهات المهام المخصصة الخاصة بك، فإن استخدام Ultralytics Platform يبسط نشر النموذج اللاحق وعمليات المراقبة، مما يضمن ترجمة أوزانك المحسنة مباشرة إلى نقاط نهاية جاهزة للإنتاج.