مع تزايد الاعتماد على نماذج اللغات الضخمة (LLMs) في معالجة البيانات، كانت هناك حاجة ملحّة لمعالجة صراعات المعرفة التي قد تنشأ عند استرجاع المعلومات. تكمن المشكلة في الاعتماد على سياقات خارجية يمكن أن تتعارض مع المعرفة المسبقة للنموذج. تقنيات الترميز التبايني التقليدية اتبعت نهجًا يسمى 'التوعية السياقية'، حيث تُعزز السياقات الخارجية على حساب المعرفة السابقة، مما يؤدي أحيانًا إلى نتائج خاطئة.

لتجاوز هذه القيود، تم تقديم نهج جديد يعرف بـ 'التوعية بالصراعات'، والذي يقوم بتوزيع السلطة بين المعرفة السابقة والسياق بناءً على إشارات الصراع. هذا الاقتراب يتيح معالجة أكثر دقة للصراعات المعرفية. من خلال الجمع بين المعرفة السابقة والسياقات المسترجعة بواسطة ما يُعرف بالعائلة القوية (power family)، يمكن أن تتسبب معلومات خاطئة في تضخيم الأخطاء، بينما يمكن أن يُؤدي الدمج الخطأ إلى تصحيح ناقص عند الاعتماد على المعلومات الصحيحة.

قمنا أيضًا بتطوير بروتوكول تقييم يسمى TriState-Bench، والذي يقيس ثلاث حالات للصراع: التصحيح، المقاومة، والاتفاق. هذا يساعد في تصحيح الأبعاد المختلفة للصراعات بطريقة أكثر فعالية. ولحلحلة التباين بين الأبعاد، قدمنا 'توجيه النظام التكيفي' (Adaptive Regime Routing) الذي يتيح نقل المعرفة خلال النموذج بين الأنظمة في كل خطوة، مما يؤدي إلى تحسين فعالية النموذج بمعدلات تخطت 16 إلى 33، دون التضحية بالدقة أو الاتفاق. إذا كنت مهتمًا بالتفاصيل البرمجية، يمكنك زيارة رابط المشروع على GitHub للاستزادة.