تعتبر نماذج اللغة الكبيرة القائمة على الإنتشار (Diffusion Large Language Models) واحدة من أكثر التطورات الواعدة في مجال توليد النصوص. ومع ذلك، مثلها مثل نماذج اللغة التلقائية (Autoregressive LLMs)، فهي معرضة لمشكلة الهلوسة، حينما تنتج نصوصاً ذات طلاقة لكنها تحتوي على معلومات غير صحيحة أو غير مدعومة بالأدلة.

بينما كانت طرق كشف الهلوسة الحالية تحاول الاستفادة من مسارات الشك (Uncertainty Trajectories) خلال عملية إزالة الضوضاء، فإنها تعاني من ضغط المسارات على بُعد زمني أو رمزي، مما يفوت الكثير من المعلومات المفيدة الم encoded في الهيكل الثنائي الأبعاد.

للتغلب على هذه المشكلة، تم اقتراح إطار عمل جديد يُسمى "DeMTS"، والذي يطرح معالجة جديدة للهياكل الزمنية المتعددة المتغيرات لكشف الهلوسة. يتميز DeMTS بنظام يستخدم وحدة دالة لتحويل الإشارات الرمزية إلى متغيرات مستقرة، مما يسمح بتشكيل نماذج زمنية متعددة المتغيرات الديناميكية.

من خلال دمج النمذجة القائمة على التفاعل بين المتغيرات مع الترميز الزمني، يتمكن DeMTS من تقديم تنبؤات أكثر دقة حول الهلوسة. نتائج التجارب التي أُجريت على نموذجين من D-LLMs وثلاثة معايير أداء أظهرت أن DeMTS يتفوق بشكل ملحوظ على الطرق التقليدية، ويضمن أداءً قويًا وكفاءةً عالية وقدرة على نقل النتائج عبر المهام المختلفة.

إن دخول DeMTS إلى ساحة تطبيقات الذكاء الاصطناعي يسلط الضوء على أهمية الابتكار في مجال كشف الحقائق، والذي من شأنه تحقق قفزات كبيرة في دقة النموذج وبنيته العامة. فهل أنتم مستعدون لتجربة هذا التوجه الجديد في نمذجة اللغة؟