ثورة في التحقق من الادعاءات: DecomposeRL يعيد صياغة قواعد اللعبة!

في زمن تتزايد فيه أهمية مصداقية المعلومات، يبرز نظام DecomposeRL كابتكار ثوري في مجال التحقق من الادعاءات. يجمع DecomposeRL بين الدقة العالية والقدرة على إنتاج آثار قابلة للتفتيش، مما يجعله الخيار المثالي للمحققين والباحثين في مجالات متعددة، مثل الطب والسياسة والعلوم.

تقليديًا، كانت هناك نهجان رئيسيان في مجال تحقق الادعاءات: الأنظمة الشاملة التي تتمتع بدقة عالية، لكنها تفتقر إلى السجلات القابلة للتفتيش، وأنظمة التفكيك التي تقدم آثارًا واضحة، لكنها تملك أداء ضعيف على مجموعات البيانات القياسية. هنا يأتي دور DecomposeRL، الذي يتميز ليس فقط بتقديم آثار قابلة للتفتيش، بل أيضًا بأداء متفوق.

يعتمد DecomposeRL على الإطار القائم على التعلم التعزيزي (Reinforcement Learning) مع الاستخدام الذكي لمكافآت متعددة الأوجه (multi-faceted reward ensemble) ، مما يمكّنه من التعلم سواء كان تحت إشراف كامل أو شبه إشراف من الادعاءات غير المعلّمة. بفضل عملية تصفية دقيقة للبيانات، استطاع النظام تصفية 115 ألف ادعاء تحقق من الحقائق إلى مجموعة أكثر تركيزًا تتكون من 5 آلاف ادعاء، مما يسهل عملية التعلم.

تشير النتائج إلى أن النموذج DecomposeRL-7B، الذي تم تدريبه فقط على 5000 ادعاء، تمكن من تحقيق دقة متوازنة قدرها 86.3% في المجال و69.8% خارج المجال عبر 11 معيارًا للتحقق من الادعاءات، بما في ذلك المجالات الطبية والسياسية والعلمية. ورغم أن النموذج أصغر أربع مرات من النماذج المنافسة، إلا أنه يحقق نفس مستوى الأداء مع نماذج كبيرة مثل GPT-4.1-mini، بل ويتفوق عليها في بعض السياقات شبه المراقبة مع نسبة قليلة من البيانات المعلَّمة.

لمزيد من المعلومات حول DecomposeRL، يمكنك زيارة الموقع الرسمي الذي يضم الشيفرة والموديلات والبيانات المتاحة للجميع.