الذكاء الاصطناعي في اختبار العقد المراقبة: هل يمكن لوكلاء نماذج اللغات الضخمة الالتزام بها؟

في عالم [الذكاء الاصطناعي](/tag/الذكاء-الاصطناعي) المتسارع، تبرز [نماذج [اللغات](/tag/اللغات) الضخمة](/tag/[نماذج](/tag/نماذج)-[اللغات](/tag/اللغات)-الضخمة) (Large Language [Models](/tag/models)) كأدوات رئيسية في [الأبحاث](/tag/الأبحاث) والتطبيقات. ولكن، هل تستطيع هذه الأنظمة الحفاظ على العقود [المراقبة](/tag/المراقبة) أثناء تفاعلها مع [واجهات [برمجة](/tag/برمجة) التطبيقات](/tag/[واجهات](/tag/واجهات)-[برمجة](/tag/برمجة)-[التطبيقات](/tag/التطبيقات)) ([APIs](/tag/apis))؟ هذا هو السؤال الجوهري الذي تتناوله [دراسة جديدة](/tag/[دراسة](/tag/دراسة)-جديدة) باسم ContractBench.

[ابتكر](/tag/ابتكر) الباحثون اختباراً فريداً يضم 33 مهمة مزدوجة المحاور لاستكشاف نوعين من [فشل](/tag/فشل) [الالتزام](/tag/الالتزام) بالعقود: [فشل](/tag/فشل) الصلاحية، والذي يحدث عند استخدام [أداة](/tag/أداة) بعد انتهائها، وفشل السلامة، الذي يحدث عند تلف [البيانات](/tag/البيانات). تم [تصميم](/tag/تصميم) هذا الاختبار باستخدام ساعة افتراضية للتحكم في الزمن وSHA-256 للتحقق من [سلامة البيانات](/tag/[سلامة](/tag/سلامة)-[البيانات](/tag/البيانات)).

على الرغم من أن معظم [النماذج](/tag/النماذج) التي تم اختبارها لم [تحقق](/tag/تحقق) مستوى 80% من الالتزام، فإن [نموذج Claude](/tag/[نموذج](/tag/نموذج)-claude)-Opus-4.6 كان الأفضل بنسبة 77.8%. كما أظهرت النتائج وجود فوارق غير متوقعة في القدرة بين [نماذج](/tag/نماذج) مختلفة، مثل [الأداء](/tag/الأداء) المتذبذب لنموذج [Qwen](/tag/qwen) 3.5.

المفاجأة تكمن في أن تغيير السلوك بعد [التدريب](/tag/التدريب) يمكن أن يؤثر سلباً على [الالتزام](/tag/الالتزام) بالعقود [المراقبة](/tag/المراقبة). وهذا يسلط الضوء على أهمية [فهم](/tag/فهم) كيفية تشغيل [نماذج الذكاء الاصطناعي](/tag/[نماذج](/tag/نماذج)-الذكاء-الاصطناعي) في [سياقات](/tag/سياقات) مختلفة وكيف يمكن تعزيز قدرتها على [الالتزام](/tag/الالتزام) بهذه العقود.

تعد نتائج هذا [البحث](/tag/البحث) بمثابة إنذار مهم للباحثين والمطورين، حيث تبرز ضرورة [تحسين](/tag/تحسين) [نماذج الذكاء الاصطناعي](/tag/[نماذج](/tag/نماذج)-الذكاء-الاصطناعي) لضمان [الالتزام](/tag/الالتزام) بالعقود [المراقبة](/tag/المراقبة) في بيئات الإنتاج.

ما رأيكم في هذه التطورات المثيرة؟ شاركونا في [التعليقات](/tag/التعليقات)!