في عصر الذكاء الاصطناعي الحديث، تبرز الحاجة إلى توليد محتوى نصي يجمع بين دقة المعلومات وجمالية الأسلوب. وقد تم كشف النقاب عن إطار عمل مبتكر يُدعى Defactualize-Steer-Rehydrate (DSR) لتحسين أداء نماذج اللغة الكبيرة (LLMs) في التطبيقات التي تتطلب دقة الحقائق مثل دعم العملاء.

تعتمد هذه التقنية الجديدة على دمج مخطط معرفة مُدرَج وعالي الأهمية مع أدوات التحكم التفاعلية، مما يمكّن من الحفاظ على العناصر المهمة أثناء توليد النص دون التسبب في تسرب المعلومات. فالنهج التقليدي كان يفتقر إلى آلية فعلية لتفريق الحقائق القابلة للتحقق عن المحتوى الأسلوبي، مما يثير مخاوف حول سلامة البيانات.

تعمل DSR على استخراج الكيانات الهامة من النصوص من خلال استخدام تقنيات مثل Regex المتطورة أو استخراج الكيانات المعروفة (NER)، ثم تستبدلها بعناصر مؤقتة قبل بدء عملية التوجيه. بعد الانتهاء من توليد المحتوى، يتم استعادة القيم الموثقة بدقة، مما يحقق توازناً مثالياً بين الأسلوب والمحتوى.

أظهرت التجارب على نماذج عائلية من LLaMA (بين 1 مليار و13 مليار متغير) نتائج إيجابية، حيث ارتفعت نسبة استرجاع الكيانات الموثوقة بشكل ملحوظ مقارنة بالنماذج التقليدية. ومع ذلك، يبقى معدل الاسترجاع المطلق متواضعًا. كما توضح دراسات التوجيه الديناميكي علاقات جديدة بين مستويات التوجيه والتأسيس الواقعي.

تُعد هذه النتائج خطوة مهمة نحو تحقيق الذكاء الاصطناعي القابل للاعتماد، حيث يمكن باستخدام DSR الوصول إلى نصوص قابلة للتحكم وقابلة للإنتاجية دون الحاجة إلى إعادة تدريب النماذج. كما تم نشر الشيفرات والأدوات بشكل عام لدعم البحث والابتكار في هذا المجال.