Task Vectors

تمثل متجهات المهام التغييرات المحددة التي أجريت على أوزان الشبكة العصبية أثناء الضبط الدقيق لتحقيق قدرة جديدة. من خلال طرح معاملات نموذج أساسي من معاملات نموذج تم ضبطه بدقة، يمكن للباحثين عزل متجه اتجاهي في فضاء الأوزان يجسد السلوك المكتسب لهذه المهمة المحددة. يسمح هذا النهج للمطورين بتطبيق عمليات حسابية بسيطة على معاملات النموذج لتوجيه سلوكيات النموذج أو تعديلها أو دمجها دون الحاجة إلى قوة حوسبة تدريب إضافية.

Link to this sectionكيف تختلف متجهات المهام عن التعلم بنقل المعرفة (Transfer Learning)#

بينما يتضمن مفهوم التعلم بنقل المعرفة تدريب نموذج بشكل تسلسلي على مجموعة بيانات جديدة لتكييف معرفته الحالية، تعمل متجهات المهام مباشرة على الأوزان الهيكلية للنموذج بعد التدريب. بدلاً من إعادة تدريب التدرجات لتعلم نطاق جديد، يسمح استيفاء فضاء الأوزان باستخدام متجهات المهام للممارسين بالجمع خطياً بين فروق الأوزان من نماذج متعددة مدربة بشكل مستقل. يتيح ذلك دمج النماذج بدون تدريب مسبق (zero-shot)، مما يسمح لنموذج واحد بوراثة قدرات متعددة في وقت واحد دون العبء الحسابي المعتاد أثناء التدريب.

Link to this sectionتطبيقات العالم الحقيقي#

لقد أدت القدرة على معالجة نماذج التعلم العميق جبرياً إلى العديد من التطبيقات المؤثرة عبر خطوط أنابيب الذكاء الاصطناعي الحديثة:

• دمج النماذج متعددة المهام: يمكن للمهندسين دمج متجه مهمة تم تحسينه لـ كشف الأشياء مع متجه آخر تم تدريبه لـ تجزئة الصور. عند تطبيقه على نموذج أساسي من Ultralytics YOLO26، يؤدي هذا إلى إنشاء بنية مزدوجة الغرض تتفوق في كلتا المهمتين في وقت واحد، مع الحفاظ على نقاط القوة لكل ضبط دقيق أصلي.
• إلغاء تعلم الآلة وأمان الذكاء الاصطناعي: إذا أظهر نموذج مخرجات متحيزة أو خطيرة، يمكن للباحثين حساب متجه مهمة يمثل هذا السلوك غير المرغوب فيه تحديداً. من خلال طرح هذا المتجه من أوزان النموذج، يمكنهم "محو" السلوك بفعالية، مما يساهم بشكل كبير في تحسين أمان الذكاء الاصطناعي ومعايير أخلاقيات الذكاء الاصطناعي القوية.
• التكيف مع النطاق في الرؤية الحاسوبية: عند تكييف النماذج لبيئات محددة—مثل الانتقال من الاستنتاج في الوقت الفعلي أثناء النهار إلى الليل—تسمح متجهات المهام للمستخدمين بتوسيع نطاق التكيف. يمكن أن يؤدي تطبيق جزء من المتجه (على سبيل المثال، معامل توسيع قدره 0.5) إلى إنتاج نموذج متوازن يعمل بشكل جيد في كلا النطاقين.

Link to this sectionالعمل باستخدام متجهات المهام في PyTorch#

يتطلب إنشاء وتطبيق متجه مهمة الوصول إلى قاموس حالة PyTorch ومعالجته. يوضح المثال التالي كيفية استخراج متجه مهمة من نموذج YOLO26 مضبوط بدقة وتطبيقه مرة أخرى على النموذج الأساسي باستخدام معامل توسيع 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]

Link to this sectionمستقبل التلاعب بالأوزان#

مع تزايد عدد معاملات البنى مثل نماذج اللغة الكبيرة ومحولات الرؤية الضخمة، يصبح إعادة تدريبها لكل تعديل بسيط غير مجدٍ اقتصادياً. توفر متجهات المهام بديلاً رياضياً أنيقاً لـ تحسين النموذج بعد التدريب. من خلال مشاركة متجهات المهام خفيفة الوزن بدلاً من نماذج كاملة بحجم جيجابايت، يمكن لمجتمع الذكاء الاصطناعي تسريع التعاون مفتوح المصدر في الذكاء الاصطناعي. بمجرد تحسين متجهات المهام المخصصة الخاصة بك، فإن استخدام منصة Ultralytics يبسط عمليات نشر النموذج والمراقبة اللاحقة، مما يضمن ترجمة أوزانك المحسنة مباشرة إلى نقاط نهاية جاهزة للإنتاج.