في عالم الذكاء الاصطناعي اليوم، تزداد أهمية نماذج اللغة الضخمة (Large Language Models) في دعم البحث عن المعلومات. ومع ذلك، يمكن أن تؤدي الأسئلة المتشابهة ولكن المعاد صياغتها بطرق مختلفة إلى نتائج متفاوتة من حيث الجودة. تشكل التحفيزات النظامية (system prompts) أداة أساسية لتوجيه سلوك الاستجابات، ولكنها غالباً ما تكون مصممة لتحسين الجودة في الحالات المتوسطة فقط، مما يعني أن بعض الصياغات قد تؤدي إلى إجابات غير مكتملة أو بجودة منخفضة.

لإصلاح هذه الفجوة، قدم الباحثون إطار عمل جديد يعرف باسم Group Distributionally Robust Optimization (GroupDRO) والذي يهدف إلى اختيار التحفيزات بطريقة مدروسة ومنصفة. بدلاً من تحسين نص التحفيز، يعمل هذا الإطار على وزن التحفيزات المتاحة في مجموعة معينة لتقليل خسارة جودة المعلومات في أسوأ الحالات عبر مقاييس محددة، مع الحفاظ على الخسارة المتوسطة قريبة من تلك التي تعتمد على الاختيار المتوسط.

ما يميز هذا الأسلوب هو استقلالية عملية إنشاء واختيار التحفيزات، مما يتيح له التكيف مع أي مجموعة تحفيزية. كما يتيح استخدام مجموعة من التحفيزات التكميلية بدلاً من الاعتماد على تحفيز واحد. في اختبارات على خمسة نماذج لغوية ضخمة، أظهرت النتائج أن الطريقة المقيدة قد قللت من متوسط الناتج الكلي، ومتوسط أسوأ 25%، وأسوأ بمعدل يبلغ 13.1%، 13.2%، و13.7% على التوالي بعدما قورنت بالأساليب التقليدية، مع الحفاظ على الجودة العامة قريبة من الاختيار المتوسط.

إذا كنت مهتمًا بمعرفة المزيد عن كيفية تأثير هذا البحث على مستقبل نماذج الذكاء الاصطناعي، يمكنك زيارة رابط [البحث على GitHub].