في عالم سريع التغير، يُعتبر توافق نماذج الذكاء الاصطناعي مع قيم الإنسانية المتنوعة ضرورة ملحة لضمان تطبيق آمن وفعال لتلك النماذج. ومع ذلك، كان الأمر تحديًا كبيرًا، حيث أغفلت المعايير الحالية التباينات الثقافية والديموغرافية. هنا يأتي دور DiverValue-Bench، المرجع الثوري الذي يتضمن بيانات مفصلة من 74 دولة، مما يُتيح تقييم توافق القيم عبر مختلف الثقافات.

يحتوي DiverValue-Bench على 23,763 حالة تمت مراجعتها بعناية من تعليقات مستخدمي PRISM، تم تدقيقها من خلال عمليات تحقق واسعة النطاق من قبل بشر، متضمنةً علامات قيمة دقيقة، وأسئلة مخصصة، وإجابات مقارنة، وبيانات ديموغرافية غنية.

من خلال هذا المرجع، تمكنا من تقييم نماذج لغة تمثل مختلف الثقافات، وكشفنا عن الفجوات الجغرافية والديموغرافية الكبيرة التي غالبًا ما تُغفل عند النظر إلى الأداء الكلي.

علاوةً على ذلك، أظهرنا أن تحسين التفضيلات باستخدام أساليب مثل التكيف منخفض الرتبة (Low-Rank Adaptation - LoRA) وتحسين التفضيلات المباشرة (Direct Preference Optimization - DPO) يؤديان إلى تحسين كبير في توافق القيم داخل النطاق، مع تحقيق مكاسب متسقة خارج النطاق.

تسلط هذه النتائج الضوء على أهمية تقييم التوافق وفقًا للعدد السكاني وتبيّن كيف يشكل DiverValue-Bench أساسًا عمليًا للتوافق العالمي، ونمذجة القيم الشخصية، وتطوير الذكاء الاصطناعي بشكل عادل.