في عالم الذكاء الاصطناعي، تُظهر نماذج اللغة الضخمة (Large Language Models) قدرة استثنائية على ترجمة الأوصاف اللغوية الطبيعية إلى نماذج أمثلية قابلة للتنفيذ. لكن، تكمن المشكلة الأساسية في أنها قد تنتج نماذج خاطئة بشكل صامت، مما يعرض كفاءة الحلول للخطر. توصلت دراسة جديدة إلى نظرية مبتكرة للتحقق من هذه النماذج باستخدام أسلوب يُعرف بالتحقق القائم على التزوير.

تعتبر كل كمية رقمية في الوصف نقطة نوعية، ويتم اختبار النموذج من خلال استدعاءات الحلول على حالات محولة دون الاعتماد على نموذج مرجعي. من خلال تطبيق مفاهيم مثل الثنائيات، الثوابت المقارنة، والحدود المتعددة الأبعاد، قدمت الدراسة بطارية جديدة من صفوف الاختبارات تشمل استقصاءات وقياسات متنوعة.

نتائج التجارب على 326 نموذجاً حقيقياً تؤكد نظرية الدراسة، حيث تصل نسبة الإيجابيات الخاطئة إلى 0.0% مقارنة بـ54.9% لمختبرات العتبة التقليدية. اذ تكتشف الدراسة 70.0% من الطفرات المعتمدة، وتظهر كفاءة حتى مع الطفرات التي لا يمكن رؤيتها عبر تسجيل دقة التنفيذ.

تُدرج هذه النتائج الفريدة خطوة جديدة نحو تعزيز موثوقية الذكاء الاصطناعي في التطبيقات العملية، مما يجعلها مادة تخصصية لكل مهتم بمجال التكنولوجيا وتحليل البيانات.