في عالم الذكاء الاصطناعي، تُعتبر القدرة على الاستنتاج من البديهيات الأساسية للنماذج اللغوية. ولكن، كيف يمكن للباحثين رفع المستوى؟ لقد تم الإعلان مؤخراً عن تقنية جديدة تحت مسمى DiARC، والتي تعد بإحداث ثورة في طريقة معالجة هذه النماذج لمهام الاستنتاج المعقدة.

تستند تقنية DiARC إلى مجموعة بيانات تدعى Abstraction and Reasoning Corpus (ARC) التي تتطلب من المشاركين تلخيص الأنماط من عينات محدودة والتنبؤ بشبكات الخرج. بينما حاولت العديد من الأساليب القائمة على نماذج اللغات الضخمة تحويل هذه المهام إلى مهام استنتاج نصية، لم تحقق الأساليب المستخدمة نتائج مرضية.

لكن DiARC تعمل على تغيير هذا الوضع. بدلاً من الاعتماد فقط على إشراف العينات الإيجابية كما في السابق، تقترح DiARC توسيع نطاق التعزيز عن طريق القدرة على تمييز العينات السلبية. من خلال بناء أزواج من التفضيلات، تستطيع النماذج التعلم بفعالية أكبر من خلال فهم الفروق بين الاختيارات.

تقترح DiARC ثلاث طرق مبتكرة لبناء العينات السلبية، بما في ذلك تحويلات بصرية على مستوى المخرجات، انقلاب القواعد على مستوى DSL، وتحرير القواعد الخاصة بالمهام. تتيح هذه العينات السلبية الحصول على بدائل مفيدة بالقرب من النقاط السلبية دون تغيير العروض الملاحظة.

تشير النتائج التجريبية عبر عدة معايير ARC المشابهة إلى أن DiARC تحسن الأداء باستمرار مقارنةً بالنماذج الأساسية. وللمزيد من التفاصيل، تم إصدار الشيفرة المصدرية في الرابط.

هل تعتقد أن دمج العينات السلبية سيفتح آفاق جديدة في عالم الذكاء الاصطناعي؟ شاركونا آراءكم في التعليقات!