تتقدم أبحاث الذكاء الاصطناعي بشكل مذهل، ويبدو أن نماذج اللغة تعيش تحولًا نوعيًا بارزًا. تقليديًا، كانت هذه النماذج تعمل كمُتنبئين سلبيين، لا تتفاعل مع نتائجها أو تدرك تأثير استجابتها. لكن، تأتي نتائج الأبحاث الجديدة لتظهر كيف أن نماذج اللغة بعد التدريب (Post-trained Language Models) أصبحت قادرة على التعرف على إنتاجاتها والتفاعل معها بشكل ضمني.

تتميز هذه النماذج بعد التدريب بقدرتها على التعرف على إنتاجاتها الخاصة، وهو ما تم اكتشافه عبر قياس انعدام اليقين (Entropy) في توزيع استجابتها. وقد تبين أن مستوى انعدام اليقين في استجاباتها الخاصة يكون أقل بنحو 3-4 مرات مقارنة بالاستجابات العشوائية. يعزى جزء من هذا الانخفاض إلى قدرة النماذج على متابعة المفاجآت الداخلية عند إدخال رموز جديدة، مما يؤثر على استجابتها النهائية.

المثير للاهتمام، أنه عندما تتعرض هذه النماذج لتحفيز مفتوح، فإنها تظهر عدم يقين أقل حول الموضوع الذي ستتحدث عنه قبل أن تصدر أول رمز، بينما يؤدي تغيير سياق الموضوع إلى زيادة انعدام اليقين في استجابتها.

تمكن الباحثون أيضًا من اختبار قدرة النماذج على التمييز بين السياقات المعتمدة (On-policy) وسياقات الإدخال (Prefills) من خلال تقارير لفظية صريحة. ووجدوا أن النماذج تستطيع التفريق بين هاتين الفئتين، لكن العملية كانت مختلفه في طريقة التعرف.

تفتح هذه الإنجازات الباب أمام تطبيقات جديدة، حيث يمكن للنماذج أن تتفاعل بشكل أكثر ذكاءً مع المستخدمين، مما يمثل خطوة مثيرة نحو الذكاء الاصطناعي الذاتي.