غالباً ما يُطلب من نماذج اللغة توليد إجابة رمزاً برمز، في حين أن البرنامج يحتاج فقط إلى الاختيار من بين مجموعة محدودة من الخيارات. يحتاج عميل بنكي يقول إنه خُصم منه مبلغ التحويلة نفسها مرتين إلى تحويله إلى فريق الدعم، وتوليد تسمية JSON يضيف توليداً نصياً وتحليلاً غير ضروريين إلى هذا القرار.
تختبر هذه المقالة سبعة نماذج قرار مفتوحة من نوع "Jev" مقابل خط أساس لتوليد JSON باستخدام Qwen. فبدلاً من توليد إجابة، تقوم النماذج من نمط Jev بتقييم المرشحين المتاحين وإرجاع قرار مُحدَّد النوع. تشمل المقارنة طلبات مصرفية بقوائم مسارات ثابتة وبقوائم مرشحين متغيرة، وهذا مهم لأن أدوات الوكلاء وخيارات سير العمل تتغير غالباً أثناء التشغيل.
تصدّر Kev في الدقة، إذ بلغ 98% في المسارات الثابتة والمرشحين المتغيرين على حد سواء. وصل Verdict إلى 89% في المرشحين المتغيرين، مقارنة بـ 66% لخط الأساس LLM وهو Qwen3-0.6B، الذي سجّل 83% في المسارات الثابتة. وتفوق توليد JSON على التهيئات الثلاث لقراءة Qwen. ولم يولّد Kev ولا Verdict أي رموز إجابة، مقابل نحو 10 رموز لكل طلب في توليد JSON باستخدام Qwen.
كان متوسط زمن استجابة الطلب المسجَّل 125–130 مللي ثانية لـ Kev و17–18 مللي ثانية لـ Verdict، مقارنة بـ 331–357 مللي ثانية لخط الأساس LLM عبر اللوحتين. ومجموعة البداية والمعيار متاحان للقراء الراغبين في تجربة نموذج قرار ومقارنة توليد JSON بالقراءة المباشرة.
المصدر: Towards Data Science · لخّصه HeadlinesBriefing