في خطوة مبتكرة نحو تعزيز الأداء اللغوي للذكاء الاصطناعي، أجرت دراسة جديدة حول تقنية CroCo، التي تهدف إلى تحسين تفضيلات اللغات المتعددة باستخدام أساليب مقارنتية موجهة. حيث أظهرت الأبحاث السابقة أن توظيف تكتيكات التحكم في التباين بين الاستجابات الذاتية المُولَّدة من نماذج اللغات الضخمة (Large Language Models) عبر نقاط المكافأة، يسهم في تحسين نتائج التفضيل في اللغة الإنجليزية.

تسعى الدراسة الحالية لتوسيع هذا النهج ليشمل عدة لغات، حيث تم تقييم نموذجين عبر مجموعة متنوعة من المهام باللغة الإنجليزية وغيرها من 14 لغة تتفاوت بين الموارد العالية والمنخفضة.

أثبتت النتائج أن تحسين تفضيلات اللغات المتعددة باستخدام CroCo يمكن أن يتم دون الحاجة لتوضيحات خاصة بكل لغة، مما يعكس مدى نجاح النموذج في تحقيق جدول بيانات مُقيّم بفعالية عبر معظم اللغات.

النموذج الذي تم تدريبه على تفضيلات اللغة الإنجليزية استطاع أن يقدم ترتيبًا مفيدًا ضمن نفس اللغة في معظم الحالات. كما أن استخدام الإعدادات الأحادية أو المتعددة اللغات يكفل تحسين النتائج على غالبية الإعدادات المدرجة، مما يساعد على تجنب ظاهرة النسيان الكارثي لعمليات التحسين المشروطة.

أكد الباحثون أن التحسينات تتطلب بيانات مطابقة للسياسات، حيث أن الاستجابات التي لا تتبع السياسة تقلل من فوائد النموذج. في سياق المهام المنظمة، تمكنت الطريقة الجديدة من تحقيق نتائج متساوية أو تتفوق على الأداء الأساسي في 6 من 7 لغات لنموذج EuroLLM-9B و4 من 7 إعدادات ضد Aya-3B. بينما في سياق التوليد المفتوح، تفوقت النماذج المُعدلة على القواعد الأساسية في 11 لغة مُختبرة.

تعتبر هذه النتائج مشجعة للغاية وتفتح أفقًا كبيرًا لتطوير مستقبل الذكاء الاصطناعي متعدد اللغات!