في العوالم المتزايدة التعقيد للذكاء الاصطناعي، يمثل استنتاج اللغة الطبيعية (Natural Language Inference - NLI) أحد التحديات البارزة. فهو يعنى بتحديد العلاقة بين فرضية ومقدمة معينة، سواء كانت تتضمن تأييدًا، أو تناقضًا، أو حالة حيادية. وبما أن المعرفة المشتركة تعتبر عنصراً أساسياً في هذا المجال، فقد قامت دراسة جديدة بفحص قدرة نماذج اللغة الكبيرة (Large Language Models - LLMs) على توليد بديهيات خاصة بهذه المعرفة بدقة.

أظهرت النتائج المستندة إلى اختبارات SNLI و ANLI أن نموذج gpt-oss-120b يحقق نتائج مبهرة في إنتاج بديهيات ذات دقة عالية، بينما أظهر نموذج Llama-3.1-70B ضعفًا في هذا الجانب. هذا التباين الملحوظ يشير إلى أهمية الاختيار الدقيق للنماذج في مختلف التطبيقات.

ولتحسين الأداء، تناول الباحثون ثلاثة أنماط من الطلبات: الاستنتاج المباشر، والاستنتاج المدعم بالبديهيات المولدة، وأسلوب هجيني يجمع بينهما. وقد أسفرت الطريقة الهجينة عن تحسينات ملحوظة في الدقة تتراوح بين 3.87% و8.5% عبر تكوينات مختلفة. وبالإضافة إلى ذلك، ساعدت المعرفة المشتركة المستهدفه النماذج على التغلب على تحيزات متعلقة بالفئة الحيادية من خلال تقديم سياق واقعي مهم.

هذه النتائج لا تعكس فقط تقدمًا في فهم الذكاء الاصطناعي الاستنتاجي، بل تفتح أيضًا آفاقًا جديدة للبحث والتطوير في هذا المجال المثير. كيف ترى دور المعرفة المشتركة في تعزيز قدرات النماذج اللغوية؟ شاركونا آراءكم في التعليقات!