في عالم الذكاء الاصطناعي، تظل نماذج اللغة (Language Models) حجر الزاوية للتفاعلات البشرية التقنية. ومع ذلك، مثل أي ابتكار، فهي تواجه تحديات تحتاج إلى فهم أعمق، خاصة عند التعامل مع ترددات الكلمات النادرة.

تقدم مجموعة الباحثين FreqBLiMP، وهو امتداد مثير للاهتمام لبرنامج BLiMP الخاص بتقييم المعرفة اللغوية. تعمل هذه الأداة على إعادة تقييم 67 بنيّة تحت أنظمة تردد Zipf، موجهةً نحو فهم كيف تؤثر تكرارية الكلمات على أداء النماذج. وعلى الرغم من اكتشاف قيام النماذج بتقليص احتمالية الجملة مع انخفاض التردد اللغوي، إلا أن الانخفاض في دقة القبول التبايني كان معتدلاً.

ومع ذلك، يكشف البحث عن عدم استقرار كبير في مختلف الظواهر اللغوية، مما يشير إلى أن بعض النماذج تُظهر صلابة عند مواجهة التحديات المتعلقة بالتراكيب النحوية الواضحة، بينما تنخفض كفاءتها في الحالات التي تتطلب معلومات محددة لكل كلمة.

هذا الاكتشاف قد يحمل تداعيات كبيرة على كيفية تطوير وتصميم نماذج اللغة في المستقبل، حيث سيمنحنا فهماً أفضل لحدود الذكاء الاصطناعي وكيف يمكن تحسين هذه النماذج لتكون أكثر توسعاً وأكثر قدرة على التعامل مع اللغة في تنوعها وثرائها.