تقدم شركة Multiverse Computing تقنية الشفاء الواعي بالكمّية (QAH)، وهي طريقة تُدرِّب نماذج لغوية كبيرة مضغوطة ومُكمَّاة مباشرةً من معلميها الأصليين قبل الضغط. عند تطبيقها على نموذج GPT-OSS بحجم 120 مليار معامل، مُضغوطاً إلى 60 مليار معامل ومُكمّياً بصيغة MXFP4، تنتج هذه الطريقة نموذجاً يتفوق على نسخته الكاملة الدقة bfloat16 في 7 من أصل 9 اختبارات قياس.
- يتفوق نموذج QAH على المعلم الأصلي بحجم 120 مليار معامل في اختبار LiveCodeBench (66.5 مقابل 66.0)، ويحقق مكاسب كبيرة في الاستدلال طويل السياق (+7.4 في AA-LCR) والرياضيات (+5.6 في AIME 2025).
- مقارنةً بالتدريب الواعي بالكمّية (QAT)، يصل QAH إلى ذروة الأداء في حوالي 100 خطوة، أي أسرع بحوالي 7 مرات، مع تجنب الانهيار الحاد في الدقة الذي يظهر في QAT بعد الخطوة 700.
- تستخدم هذه الطريقة خسارة تباعد كولباك-لايبلر المقطعة الموفرة للذاكرة لمعالجة الشفاء طويل السياق حتى 32 ألف رمز دون إنشاء مصفوفة المفردات الكاملة بالنسبة للتسلسل.
تتيح هذه التقنية أن تكون النماذج المضغوطة أصغر حجماً، وأقل تكلفة في التشغيل، وأكثر دقة من نظيراتها غير المضغوطة، مما يعكس فعلياً المقايضة المعتادة بين الكفاءة والقدرات.