باكترينوس: ثورة نموذج اللغات الضخمة في الإجابة عن الأسئلة المعقدة

في عالم يتغير بسرعة بفعل الذكاء الاصطناعي، تطل علينا ابتكارات جديدة كل يوم. واليوم، نركز على مشروع باكترينوس (Bactrainus)، الذي يمثل تحولًا جذريًا في كيفية إدارة نماذج اللغات الضخمة (Large Language Models) لمهام الإجابة عن الأسئلة المعقدة.

تتطلب الإجابة عن الأسئلة متعددة الخطوات نظامًا قادرًا على تحديد ودمج الأدلة الموزعة عبر مستندات متعددة، لكن نماذج اللغات الضخمة تبقى عرضة للسياقات غير ذات الصلة. في هذا الإطار، تم تطوير باكترينوس الذي يستخدم هيكلًا متعدد الوحدات للفصل بين اختيار الفقرات، وتحديد الجمل الداعمة، وتوليد الإجابات.

أحد الجوانب الفريدة لباكترينوس هو إمكانية تفكيك الأسئلة، مما يمكن المختبرين من اختبار مدى فائدة الهياكل الاستدلالية الإضافية. تتضمن التقييمات فحص نماذج الأساس، والتحكم في السياق، وتطبيق التعديلات على نماذج لاما (Llama) مثل (Llama 3.1 8B Instruct) و(Llama 3.1 70B Instruct).

أظهرت النتائج أن توفير السياق الكامل للمرشحات المرشحة بدلاً من الحقائق الداعمة الأساسية تقضي على 17-21 نقطة من F1 الخاص بتداخل الرموز للإجابات، مما يشير إلى أن زيادة الحجم فقط لا تقضي على حساسية السياق. وقد كانت أكبر الفروقات الملحوظة مرتبطة بتكيف القارئ والسيطرة على الأدلة على مستوى الجمل.

أقوى التكوينات التي تم الإبلاغ عنها حققت 89.01 نقطة في F1 للإجابات و79.70 في F1 المشترك، في حين أدت التغيرات في تنسيق التفكيك وإشراف المبررات إلى تغييرات أصغر تعتمد على الوصفات.

كل هذه الاكتشافات تدعم ضرورة وجود واجهات أدلة يمكن الاعتماد عليها وتصريحيات واضحة للمساعدة في تحديد الأسئلة متعددة الخطوات، مما يعزز من أهمية التقييم الأعمى والمتوافق للتفاوتات الصغيرة المتبقية.