في رحلة جديدة نحو فهم أعمق لكيفية عمل نماذج الذكاء الاصطناعي، قدم فريق من الباحثين إطار عمل مبتكر يُعرف بـ 'Bag of Dims'، والذي يوفر طريقة لفهم آلية الأداء للنماذج اللغوية دون الحاجة للتدريب.

يعتمد هذا الإطار على الأساس القياسي لحالات التحويل (Transformer hidden states) والذي يقدم قاعدة ميزات عامة لجميع المعماريات. حيث تقوم الأبعاد الفردية بتشفير المحتوى الدلالي من خلال الإشارات والموثوقية عبر الأحجام، مما يجعلها تعمل كمسجلات ثنائية مستقلة.

أجريت تجارب تثبت فعالية هذا النظام عبر ثلاث عائلات من النماذج المختلفة (Qwen 3.5-4B، Gemma 3-4B، Mistral 7B)، حيث أظهرت النتائج أن نمط الإشارات وحده يحمل محتوى تنبؤياً. فعلى سبيل المثال، تم تحقيق دقة تصل إلى 72-93% في التنبؤ بالكلمة التالية من خلال استبدال جميع الأحجام بالقيم الواحدية.

ليس هذا فحسب، بل تم اكتشاف 175 فئة دلالية تعتمد على الاتساق في الإشارات لكل بعد، مما يعكس استجابة فعالة للغاية حتى مع عدم وجود تدريب. كما تم الربط بين 20% من الميزات وبين خلايا عصبية محددة في نماذج الكتابة.

بفضل هذه التقنية الجديدة، يمكن إجراء اكتشاف غير مدعوم يصل إلى 1500 ميزة، مع إنتاجية تصل إلى 100% وبدون الحاجة لأي عملية تدريب أو تحسين، مما يشير إلى أن الأساس القياسي كافٍ لقراءة الميزات على طول مسار حساب التحويل.

هذه التطورات تفتح أبواباً جديدة لفهم أفضل لآليات الذكاء الاصطناعي وتطبيقاته، وترسم ملامح المستقبل في هذا المجال المتنامي.