في عالم الذكاء الاصطناعي، تعتبر نماذج اللغات الضخمة (Large Language Models) من أعظم الابتكارات، ولكن التدريب الفعال لهذه النماذج في المجالات التي تعاني من نقص البيانات يمثل تحديًا كبيرًا. في هذا السياق، تم تقديم إطار CLARity كحل مبتكر وفعّال.

يقترح الباحثون في دراستهم أن استخدام أسئلة متعددة الخيارات (Multiple Choice Questions) كأداة تدريب لم يعُد الخيار الأمثل، حيث قد يؤدي تطبيق تقنيات التعلم المعتمد على النتائج (Outcome-based Reinforcement Learning) إلى تدهور جودة التفكير، خصوصًا في ما يتعلق بالاتساق المنطقي. ومن هنا، برزت الحاجة إلى بديل أكثر فعالية وأقل تكلفة.

يعمل إطار CLARity على تعزيز جودة التفكير من خلال استخدام نموذج لغوي عام صغير، حيث يجمع بين آلية مكافأة تركز على الاتساق وأكثر من استراتيجية تدريب متطورة تتمثل في مرحلتين: تحسين أولاً ثم مراقبة. يجري التدريب على بيانات مُعاد تشكيلها ديناميكيًا، مما يسهل استغلال البيانات المحدودة بشكل أفضل.

أظهرت التجارب أن CLARity يضاعف الاتساق في ردود النماذج بحوالي 16.5% ويزيد الدقة بحوالي 7.5% مقارنة بالنماذج التقليدية، ممَّا يساهم في تعزيز التناسق المهني والانسجام العام بين الردود.

بفضل هذا الإطار الثوري، يمكن للنماذج الصغيرة أن تلعب دورًا فعالًا في توجيه النماذج الخبيرة من خلال تحسين الاتساق المنطقي. لقد تم نشر الكود المصدري للإطار على منصة GitHub لتمكين الباحثين والمطورين من استخدامه والاستفادة منه.