في عالم الذكاء الاصطناعي، يتعامل الباحثون بشكل مستمر مع تحديات جديدة تتعلق بموثوقية نماذج اللغة الكبيرة (Large Language Models - LLMs). يتناول بحث جديد آثار غياب وظيفة "لا أعرف" في هذه النماذج، مُشيرًا إلى ثلاث نتائج ترتبط بمشاكل موثوقية متباينة.

في دراسة قدمها يين وآخرون (2026)، تم الكشف عن أن انهيار تمثيلات موثوقية الأدوات يشكل مشكلة في نماذج التفكير والتوصل (Reasoning RL). بينما قدم سليمانوف وآخرون (2026) أدلة على أن النماذج الكبيرة تقوم بإعادة كتابة أجزاء flagged تحت قيود الأمان، في حين تعمل النماذج الصغيرة على تقصير النصوص. من جهة أخرى، أثبت باستونيس وآخرون (2024) أن أي نظام تفكير منطقي متسق دون وجود وظيفة "لا أعرف" يجب أن يكون عاجزًا عن مواجهة بعض المشكلات.

يجمع الباحثون في هذه الدراسات على أهمية وظيفة التقاعس المنظم (Calibrated Abstention) كقدرة رئيسية للشعور بالنقص في النماذج الحالية. لكن التحديات التي تظهر تتعلق بنقص إشارات التدريب اللازمة على مستوى العلامات القياسية، والتي لا توفر حوافز طبيعية للنماذج لاختيار عدم تقديم إجابات.

لإحداث تقدم حقيقي، يقترح الكاتب تعديلات في تقنيات التقييم، تتضمن اعتماد نظام ثلاثي للتسجيل وإبلاغ حول معدلات التقاعس وتقييم قادر على تصنيف القدرات، بالإضافة إلى تطوير مقاييس للتقييم الإلزامي. إن الإصلاحات في المعايير تعتبر ضرورية، لكنها غير كافية لإغلاق الفجوة المذكورة.

هذه الأدلة تُظهر كيف يمكن أن ترتبط التطورات في نموذج اللغة بمفاهيم جديدة تمهد للابتكار في هذا المجال، مما يفتح المجال للنقاش حول التوجهات المستقبلية في بحوث الذكاء الاصطناعي.