في عالم الذكاء الاصطناعي، تعد نماذج المحولات ذات التركيز المتبقي (Attention-Residual Transformers) من الابتكارات المتقدمة التي تسهم في تعزيز دقة التنبؤات. ومع ذلك، يواجه الباحثون تحدياً مهماً عند محاولة تحسين دقة المعايرة (Calibration) المستندة إلى الواجة الداخلية. في الدراسة التي قام بها فريق Kimi في عام 2026، تم طرح سؤال أساسي: هل تقدم هذه الواجة أدلة مستقرة لتحسين المعايرة بعد عملية التنبؤ، أم أنها تعتمد فقط على ثقة النتائج؟

استندت هذه الدراسة إلى مجموعة من الأبحاث التشخيصية التي تميز الأمثلة بناءً على الحالة المستندة إلى التركيب الداخلي، حيث قارن الباحثون الفجوات بين المجموعات المختلفة مقابل عدم الاستقرار الذي يظهر عند التقسيم داخل كل مجموعة. النتائج أظهرت أن ملخصات الواجة الداخلية لم توفر أدلة ثابتة على عدم دقة المعايرة، حيث جذبت الفجوات الصغيرة انتباههم. من ثمانية عشر اختبارًا ضمن مجموعات محددة، لم يثبت سوى اختبار واحد فقط عدم الاستقرار المدعو عند مستوى 0.05.

كما تم استخدام نماذج متعددة الطبقات (MLPs) لتقييم النتائج من خلال مقارنة النتائج القائمة على الثقة فقط مع التحسينات الناتجة عن الواجة الداخلية. ومع ذلك، تبين أن التحسينات المحتملة تكون غير متسقة، مما يعكس الحاجة إلى مزيد من البحث. لذا، تعد هذه الدراسة علامة مهمة تدعو إلى إجراء تحليل أكثر دقة فيما يتعلق بمدى فعالية تحسين المعايرة المستندة إلى الواجة الداخلية. هل تعتقد أن هذه الأساليب يمكن أن تُحسن أداء نماذج الذكاء الاصطناعي؟ شاركنا آرائك في التعليقات!