في عالم الذكاء الاصطناعي، يعد تحسين أداء نماذج اللغات الضخمة (Large Language Models) عبر لغات متعددة أحد التحديات الكبيرة. فلطالما ارتكزت هذه النماذج على بيانات تفضيلات عالية الجودة تعتمد على اللغة الإنجليزية، مما يؤدي في كثير من الأحيان إلى نتائج أقل فعالية في اللغات الأخرى. لكن ورقة بحثية جديدة تقدم لنا طريقة مبتكرة تدعى "تحسين تفضيلات الترتيب عبر اللغات" (Cross-Lingual Ranking Preference Optimization - CRPO) تنبئ بعصر جديد من الأداء المتفوق.

تستند تقنية CRPO إلى استغلال المعرفة القوية من اللغة الإنجليزية لتسهيل توافق التفضيلات في اللغة المستهدفة. بحيث تم تصميم هيكل هرمي يجمع بين أزواج التفضيلات في اللغة الإنجليزية واللغة الهدف، مما يسمح بتحسين تفضيلات اللغة داخلها وبين اللغتين. وبالإضافة إلى ذلك، تقوم هذه التقنية بتعزيز تكييف اللغة وجودة المخرجات.

من خلال استخدام إطار العمل LambdaLoss، تجتاز CRPO مفهوم المقارنة الثنائية التقليدية، حيث تقدم إشارة تصنيف نسبي عبر عدة استجابات مرشحة. وقد أظهرت التجارب التي أُجريت عبر خمس لغات ذات مقاييس موارد مختلفة أن CRPO تفوقت باستمرار على الأساليب القياسية في كل من متطلبات التعليم وقدرة استخدام المعرفة.

الأداء القوي الذي لوحظ عبر أنظمة الوزن المختلفة يشهد على فاعلية التصميم الهرمي في إعدادات متعددة اللغات. علاوة على ذلك، تُظهر النتائج أن CRPO تُحسن بشكل كبير من الهوامش المكافئة والاحتمالية المسجلة للاستجابات المرغوبة، مما يسهم في توفير بيئة تفضيل أكثر استقرارًا لتوافق اللغات المتعددة.

وبذلك، يمثل هذا البحث خطوة هامة نحو تحقيق أداء أفضل وأدق لنماذج الذكاء الاصطناعي عبر اللغات، مما سيفتح آفاقًا جديدة لتطبيقات الاستخدام متعدد اللغات.