تخطيط لغوي متكرر متعزز: كيف تقلل نماذج العالم المعلمة من انتشار الهلوسة في وكلاء نماذج اللغة الكبيرة

في عالم الذكاء الاصطناعي، تظهر أهمية التخطيط اللغوي عبر نماذج العالم، التي تُعتبر أدوات قوية لوكلاء نماذج اللغة الكبيرة (Large Language Models). وهذا يشمل نوعين من نموذج العالم: النموذج المستند إلى الوكلاء الذي يستدعي واجهة برمجة تطبيقات نموذج اللغة العامة، والنموذج المعلم الذي يتنبأ بالتحولات. بينما يحمل النموذج المستند إلى الوكلاء مرونة أكبر في التفكير، إلا أن أخطائه عادة ما تظهر كتغييرات حالة هلوسية يصعب تقييمها.

ركزت الأبحاث الأخيرة على تطوير "تخطيط لغوي متكرر متعزز" (Grounded Iterative Language Planning - GILP)، الذي يقوم على دمج النموذج المعلم مع استجابات الوكلاء القائمة على واجهات البرمجة. يساهم هذا النموذج في تصحيح الأخطاء الناتجة من الهلوسة وتقليل معدلها بشكل كبير من 0.176 إلى 0.035 عند إجراء مكالمات مع نموذج GPT-4o-mini.

يتضمن GILP هيكلًا أساسيًا مخصصًا يوفر إجراءات صالحة، وينبؤ بالتغيرات المتوقع حدوثها، ويقيم المخاطر والقيمة. عند وقوع اختلاف بين التخمينات المحددة، يتم طلب مراجعة عبر بوابة التوافق. هذا التركيب لا يقتصر فقط على تحسين معدل النجاح من 0.668 إلى 0.838، بل يضيف فقط حوالي 22% من مكالمات نموذج اللغة الإضافية.

إن نجاح هذا النظام في تحسين دقة التخطيط يقدم لنا رؤية جديدة حول كيفية تحسين الأداء في تطبيقات الذكاء الاصطناعي.