في عالم الذكاء الاصطناعي، تعد نماذج اللغات الضخمة (Large Language Models) من بين أبرز التطورات التكنولوجية التي أحدثت ثورة في معالجة اللغة الطبيعية. ومع ذلك، فإن فهم كيفية توافق هذه النماذج مع بعضها البعض ليس بالأمر السهل.

تكشف دراسة جديدة منشورة على arXiv عن أساليب مبتكرة لتحليل التوافق بين نماذج اللغات وبناء الفهم حول الفروقات والسماوات في تمثيلها. استخدمت هذه الدراسة تقنيتين جديدتين، هما RSA المعتمد على التشابهات (Representational Similarity Analysis) وNW-RSA أو Neighborhood-Weighted RSA، لتكون قادرة على تسليط الضوء على الفروقات في التوافق بين النماذج.

تساعد طريقة NW-RSA العلماء على فهم كيفية توافق النماذج في بيئات مختلفة من خلال تقييم الجوار القريب والبعيد في الفضاء التمثيلي. بينما تكشف Counterfactual RSA (CF-RSA) عن الخصائص اللغوية التي تدعم هذا التوافق من خلال مقارنة التمثيلات الصحيحة في نموذج واحد مع تمثيلات تحت تأثير تغيرات لغوية مضبوطة في نموذج آخر.

وتظهر النتائج توافقًا قويًا في الهيكلة التمثيلية الإجمالية، ولكن مع تباين ملحوظ في السياقات المحلية. حيث يظهر هذا التوافق عبر نصوص طبيعية متنوعة، وفي فئات لغوية تحافظ على معاني محددة أو هياكل معينة.

كما تشير التحليلات المضادة إلى وجود حساسية انتقائية، حيث تؤدي التغيرات في النطاق المنطقي إلى تقليل التوافق بشكل أكبر مقارنة بالتغيرات في بناء الجملة أو الأدوار الحدثية، مما يسلط الضوء على أهمية النظام اللغوي الطبيعي في تحقيق تقارب أقوى.

بناءً على هذه النتائج، تظهر النتائج أن درجة التشابه الكلية لا تعني بالضرورة توافقًا في كيفية تمثيل الاختلافات اللغوية الدقيقة. مما يطرح تساؤلات تثير النقاش حول حدود تمثيل التوافق في النماذج اللغوية الضخمة.