शोधकर्ताओं ने पारंपरिक फाइन-ट्यूनिंग से जुड़ी उच्च लागत और कैटास्ट्रोफिक फर्गोटिंग की समस्याओं को दूर करते हुए, कन्वर्सेशनल इन्फॉर्मेशन रिकवरी में एड-हॉक सर्च की प्रभावकारिता बढ़ाने के लिए मॉडल मर्जिंग को एक ट्रेनिंग-फ्री रणनीति के रूप में पेश किया है। अध्ययन ने मानक एड-हॉक और कन्वर्सेशनल डेटासेट पर रैखिक और गैर-रैखिक पैरामीटर-वाइज मर्जिंग रणनीतियों, विशेष रूप से Model Soup और Slerp का मूल्यांकन किया है।
- इस दृष्टिकोण के तहत एकल रिकवरी मॉडल अतिरिक्त फाइन-ट्यूनिंग के बिना एड-हॉक और कन्वर्सेशनल दोनों सेटिंग्स में संचालित हो सकता है।
- प्रयोगों से पता चलता है कि मॉडल मर्जिंग कन्वर्सेशनल रिकवीवर्स की एड-हॉक सर्च क्षमताओं को महत्वपूर्ण रूप से बढ़ाती है।
- विधि ने टास्क-विशिष्ट डेटासेट पर सामान्यीकरण में सुधार किया, ज़ीरो-शॉट स्थितियों के तहत NDCG@3 में 15% तक की वृद्धि हासिल की।
यह तकनीक मौजूदा मॉडलों का लाभ उठाकर मौलिक प्रदर्शन को बनाए रखते हुए कन्वर्सेशनल संदर्भों के लिए अनुकूलित होने के साथ-साथ पुनः प्रशिक्षण का एक लागत-प्रभावी विकल्प प्रदान करती है।