تتزايد الاعتمادات على نماذج اللغات الضخمة (Large Language Models - LLMs) في مجالات الحوسبة عالية الأداء (High Performance Computing - HPC) بشكل ملحوظ، مما يساهم في تسريع الاكتشافات العلمية من خلال وجهات نظر متعددة تشمل توليد الأكواد واتخاذ القرارات في مجالات معينة. ولكن، لا يزال تأثير الأخطاء الناعمة على استنتاجات هذه النماذج يشكل نقطة غامضة لم يتم دراستها بشكل كافٍ.

لملء هذه الفجوة، أجرى فريق من الباحثين دراسة شاملة تركز على انتشار الأخطاء في استنتاجات نماذج اللغات الضخمة (LLMs). حيث طوّروا إطار عمل خاص يُعرف بـ LLMFI، والذي يتيح حقن الأخطاء بطريقة قابلة للتكوين والحصول على نتائج دقيقية. من خلال استخدام LLMFI، تم حقن الأخطاء بشكل منهجي عبر ثلاثة نماذج لُغوية مفتوحة الوزن و13 مهمة تمثيلية، تغطي مجالات متعددة مثل التفكير النقدي، والتعدد اللغوي، والرياضيات، وتوليد الأكواد.

تتمثل إحدى النتائج الرئيسية للدراسة في كشف الأنماط الحرجة للاختراقات، مما يعزز فهم الباحثين لانتشار الأخطاء. بالإضافة إلى ذلك، أظهرت الدراسة 17 نقطة هامة قد تُسهم في تعزيز تجهيزات الاستنتاج في هذه النماذج، وذلك من خلال تقديم أربعة اتجاهات ذات تكلفة منخفضة لتحسين الموثوقية باستخدام تعديلات برمجية فقط.

تُعتبر هذه النتائج خطوة مهمة نحو تطوير تقنيات أفضل لاكتشاف الأخطاء وتخفيف تأثيراتها، مما يفتح المجال لمستقبل أكثر أماناً وموثوقية في استخدام نماذج الذكاء الاصطناعي.