في عالم الذكاء الاصطناعي المتسارع، برزت استراتيجيات تحرير المعرفة (Knowledge Editing) كمحور مهم لتحسين نماذج اللغات الضخمة (Large Language Models - LLMs). ومع ذلك، تتضمن الطرق التقليدية، مثل أسلوب الكتابة الثابتة للعوامل، نقصًا كبيرًا يؤدي إلى تعارض معرفي معقد. في دراسة حديثة، تم الكشف عن أن تقنيات كتابة الحقائق بشكل منفصل يمكن أن تشوّه الهيكليات المنطقية المدربة مسبقًا، مما يزيد من معدلات الإنكار الذاتي إلى 95.6%.

في هذا السياق، يُقترح طريقة جديدة تُعرف باسم CODE (Causal On-policy Distillation for Editing)، التي تجمع بين التحسينات السببية والتقنيات الجديدة في التكرار على السياسات. تقدم هذه النهج طرقًا أكثر فعالية لتحديث المعرفة عن طريق دمج السرد السببي كجزء من عمليات التعلم.

وقد أظهرت التجارب على نماذج مثل LLaMA-3.1 وQwen-2.5 أن CODE يمكن أن تقلل معدلات الإنكار الذاتي إلى 1.8% مع الحفاظ على دقة متعددة القفزات حتى 83.5%. هذا يتجاوز الحداثة، حيث يُنتج انسيابية في تطوير المعرفة بدلاً من مجرد إدخال حقائق محددة. هذه الاكتشافات تسلط الضوء على ضرورة الانتقال إلى أسلوب التعديل السببي الذي يغير من شكل تحرير المعرفة في الذكاء الاصطناعي.