في عالم اليوم، أصبح الاعتماد على نماذج اللغات الضخمة (LLMs) جزءًا أساسيًا من العديد من المفاهيم العلمية والتطبيقات اليومية. ومع تزايد استخدامها، بدأنا نواجه تساؤلات جديدة حول كيفية تعامل هذه النماذج مع الأدلة الخارجية الممدودة لها من قِبل أدوات أو مستخدمين.

في دراسة حديثة، قدم الباحثون نظرية توزيع جديدة تفسر كيف أن الأدلة تؤثر في توزيع الإجابات الأولية لدى النماذج، مما أدى إلى عدد من التنبؤات المثيرة. أولاً، وجد الباحثون أن الإجابات التي تكون أكثر احتمالًا في نظر المتلقي تكون أكثر إقناعًا. ثانياً، اتضح أن المتلقين يندمجون في الأخطاء التي يحملونها أكثر من تلك التي تأتي من مصادر أخرى. ثالثاً، تبين أن الأدلة المتطابقة يمكن أن تحسن من أداء النماذج الأضعف لكنها قد تضر بالنماذج الأقوى.

استندت هذه النتائج إلى عشرة ملايين تجربة شملت اثنا عشر نموذجًا من أربعة عائلات، ومن ضمنها مهام اكتشاف علمي في مجالات الفيزياء والعلوم الحياتية كالكيمياء وعلم الوراثة. كما أظهرت النتائج وجود حدود موثوقية نسبية للمتلقي؛ حيث أن الأخطاء المترابطة مع المتلقي تؤثر أكثر على الأداء مقارنة بالأخطاء العشوائية.

علاوة على ذلك، أكد الباحثون أن نماذج اللغات الضخمة يمكن أن تدمج الإجابات حتى بعد التحقق الداخلي من عدم صحتها، مما يدل على أن عمليات دمج الأدلة تمثل سياسة تحكمها الخصائص الخاصة بالمتلقي بدلاً من الثقة المطلقة في مصدر الدليل. كشفت تجارب السبب والنتيجة عن كيفية تنفيذ دمج الأدلة في وقت متأخر من الشبكة، كمجموعة منظمة من الخطوات التي تستقبل، تعزز، وتنقل الإجابات.

تقدم هذه الاكتشافات أبعاد جديدة لفهم كيفية عمل هذه النماذج وكيفية تفاعلها مع الأدلة، مما يفتح الأبواب لاستكشاف أعمق في بيئات متعددة.