🤖 چطور می‌توان چندین مدل متخصص را بدون آموزش دوباره، در یک مدل واحد و قدرتمند ادغام کرد؟

پژوهشگران از CAS، HKISI-CAS، Sun Yat-sen و Peking روشی جدید به نام RobustMerge معرفی کرده‌اند؛ تکنیکی برای ترکیب چندین مدل تخصصی بدون نیاز به آموزش مجدد و بدون ریسک نشت داده‌ها.

🔍 مسئله اصلی
هر مدل یک توانایی خاص دارد:
OCR 📄 بینایی 👁 گفتگو 💬 کدنویسی 🧑‍💻

اما ادغام آن‌ها همیشه باعث افت دقت، تداخل وزن‌ها و هزینه‌ی سنگین آموزش می‌شود.

🧠 ایده RobustMerge این روش با دو تکنیک کلیدی، تعادل میان مدل‌ها را حفظ می‌کند:

✔️ Low-Rank Analysis
برای استخراج جهت‌های اصلی دانش
✔️ Cross-Task Normalization
برای جلوگیری از غالب شدن یک مدل بر دیگران

نتیجه:
چندین مدل متخصص تبدیل به یک مدل همه‌کاره (MLLM) می‌شوند که توانایی‌ خود را حفظ کرده و حتی در برخی وظایف عملکرد بهتر نشان می‌دهد.

📌 لینک‌ها:
Paper: arxiv.org/abs/2502.17159
Code: github.com/AuroraZengfh/RobustMerge


---

@rss_ai_ir
#هوش_مصنوعی #ادغام_مدل‌ها #MLLM #AI #RobustMerge #پژوهش_هوش_مصنوعی #بدون_آموزش_مجدد