قدم الباحثون نهجًا "لمزيج من العملاء" يستفيد من العديد من نماذج اللغة الكبيرة (LLM) لتحقيق أداء متفوق على مستوى الحالة، متفوقًا حتى على نموذج GPT-4 القوي.

الجوانب الرئيسية لهذا النهج هي:

1. القوة الجماعية لنماذج LLM المتعددة: من خلال استغلال القوة الجماعية لعدة عملاء LLM مفتوحة المصدر، تمكن الباحثون من تحسين جودة الردود بشكل عام.

2. التنفيذ المرجعي: قدم الباحثون تنفيذًا مرجعيًا يُسمى "Mixture of the Arts" يستخدم مجموعة متنوعة من عملاء LLM مفتوحة المصدر لتحقيق درجة 65.1٪ على معيار Alpaca EV Eval 2.0، متفوقًا على القائد السابق، GPT-4.

3. معمارية متعددة الطبقات: ينظم النهج عملاء LLM في طبقات متعددة، حيث يتم تغذية مخرجات طبقة واحدة إلى الطبقة التالية للمزيد من التنقيح. يسمح هذا الإجراء التكراري للنظام بتركيب استجابات عالية الجودة.

4. المركب/المجمع: أحد المكونات الرئيسية هو "المركب" أو "المجمع" الذي يجمع استجابات عملاء LLM المختلفة في كل طبقة لإنتاج إخراج واحد عالي الجودة.

تُظهر النتائج قوة الاستفادة من القدرات الجماعية لنماذج LLM المتعددة، حتى عند استخدام نماذج مفتوحة المصدر ليست متقدمة مثل GPT-4. يسلط هذا النهج الضوء على إمكانات المزيد من التقدم في أداء نماذج اللغة الكبيرة من خلال تصاميم معمارية مبتكرة وتقنيات التجميع.