في عالم الذكاء الاصطناعي، حيث تعتمد القرارات على دقة النماذج اللغوية الكبيرة (Large Language Models) ، يواجه الباحثون تحديات جمة أثناء دمج الإجابات الصحيحة من هذه النماذج. غالبًا ما يتم اعتماد طريقة التصويت العام (Majority Voting) لتحديد الإجابة الأصح. لكن هل هذه الطريقة فعّالة دائمًا؟ بالطبع لا!

عندما نضع سؤالًا صعبًا أمام هذه النماذج، قد تكون الإجابات التي تم الحصول عليها مرتبطة ببعض الأخطاء، مما يؤدي إلى فوز الإجابة الخاطئة. وقد أظهرت الأبحاث أن زيادة عدد الإجابات لا يحسن من القرار، بل قد يزيد الأمر تعقيدًا.

للخروج من هذه الدائرة المغلقة، اقترح الباحثون طريقة جديدة تسمى 'CASE' (Correctness-Axis SElection)، التي تعتمد على تحديد مرشح بناءً على قراءة إشارة الصواب من حالات النموذج المخفية. لكن ماذا يعني ذلك بالضبط؟

تساهم هذه الطريقة في اختيار أفضل إجابة من خلال قياس قابلية فك الشفرة، وهو مقياس يُظهر مدى جودة ترتيب المرشحين الصحيحة بشكل موثوق. ومن خلال التجارب، تبين أن CASE يمكن أن يحسن دقة النموذج بمقدار يصل إلى 19 نقطة في الأسئلة المتوسطة الصعوبة و16.8 نقطة في الأسئلة الصعبة.

توضح النتائج أن قابلية فك الشفرة لا تتعلق بحجم النموذج، بل بمعرفته المتوازنة. وعلاوة على ذلك، يمكن استخدام هذا المعيار كأداة عملية قبل بدء عملية الاختيار. هذا يعني أن الباحثين والمصممين يمكنهم اتخاذ قرارات أفضل بناءً على معلومات أفضل، مما يطور صناعة الذكاء الاصطناعي بشكل ملحوظ.

إذًا، هل تعتقد أن هذا التطور سيغير من طريقة بناء نماذج اللغات الكبيرة؟ شاركونا آراءكم في التعليقات!