نظام Mio يخفض تكاليف طلبات نماذج الذكاء الاصطناعي بنسبة 73.7% إلى 97.5% في الاختبارات

قال فريق SinapisAI Team في ورقة بحثية أولية نُشرت على منصة arXiv في 20 أكتوبر إن نموذج Mio 1.0 Lite حقق تكاليف أقل لكل طلب بنسبة تتراوح بين 73.7% و97.5% مقارنة بالبدائل التي حققت أعلى الدرجات عبر تسعة معايير قياسية عامة.

وتعرض الورقة البحثية الأولية الصادرة في 20 أكتوبر على منصة arXiv من قِبل SinapisAI Team النظام بوصفه وسيلة لتنسيق نماذج متعددة للذكاء الاصطناعي في ظل قيود التكلفة والموارد، مع وجود ذاكرة تخزين مؤقت مشتركة تسرع عملية استرجاع ملفات النماذج بما يصل إلى 23.3 مرة.

وتقدم الورقة، التي لم تخضع بعد لمراجعة الأقران، ثلاثة مكونات لما يطلق عليه المؤلفون Collective Model Intelligence (ذكاء النماذج الجماعي). حيث يقوم مكون Model Eval ببناء ملفات تعريف للقدرات قائمة على الأدلة عبر الجمع بين تقدير الأداء على مستوى الاستعلام والتنبؤ عبر المجالات المختلفة، مما يقلل من الحاجة إلى اختبار كل نموذج بشكل شامل ومجهد.

وينظم نظام Mio، وهو اختصار لـ Models in One، النماذج المرشحة التكميلية ويدعم الاختيار المشروط بالمهمة والمراعي للتكلفة مع تغير المتطلبات. بينما يفصل نظام Mos، وهو اختصار لـ Model Serving OS، عملية اختيار النموذج عن التنفيذ، ويتولى جدولة نقاط النهاية، والنشر المشترك للنماذج، والتوزيع.

وأفاد المؤلفون بأن التجارب أظهرت أخطاء أقل في تقدير القدرات عندما كانت بيانات التقييم محدودة. كما أوضحوا أن Mio 1.0 Lite حقق أعلى متوسط للدرجات وأقل متوسط للتكلفة من بين الطرق المقارنة عبر المعايير القياسية العامة التسعة.

ويستهدف العمل مشكلة تشغيلية متنامية في قطاع الذكاء الاصطناعي: إذ تمتلك المؤسسات القدرة على الوصول إلى العديد من النماذج المتخصصة، لكن استخدامها معاً يتطلب معرفة النموذج المناسب لكل مهمة، وكيفية الجمع بينها، والتحكم في تكاليف التشغيل والتقديم. وتجادل الورقة الأولية بأن مجرد إضافة المزيد من النماذج لا يؤدي في حد ذاته إلى إنشاء ذكاء اصطناعي جماعي.

كما أن أوجه القصور واضحة أيضاً؛ إذ تقع الورقة البحثية في 35 صفحة وتتضمن 14 شكلاً وثمانية جداول.

المصدر: ورقة بحثية أولية، arXiv cs.AI، 20 أكتوبر 2026.