تعتبر نماذج اللغات الضخمة (Large Language Models) واحدة من أبرز الابتكارات في مجال الذكاء الاصطناعي، إلا أنها تواجه تحديات كبيرة تتمثل في الهلوسة، الأمر الذي يعيق موثوقيتها في التطبيقات الحساسة. في الآونة الأخيرة، تم اقتراح العديد من الأساليب المعتمدة على التناسق الذاتي لكشف الهلوسة في بيئات مغلقة. لكن ما الذي يجب فعله عندما تكون هذه الأساليب غير كافية؟

في دراسة جديدة نشرت في arXiv، تم تقديم تحليل مفصل يجمع بين نموذج الهدف ونموذج تحقق إضافي، مما يعزز من أداء الكشف عن الهلوسة. هذه الطريقة الجديدة تُظهر تحسينًا ملحوظًا في الأداء مقارنة بالأساليب التقليدية المعتمدة على التناسق الذاتي فقط.

كما اقترح الباحثون خوارزمية كشف متكاملة واقتصادية تعتمد على مرحلتين، حيث يتم الاستعانة بنموذج التحقق فقط لمجموعة مختارة من الحالات. وهذه الديناميكية تتيح له التبديل بين التناسق الذاتي والتناسق المتبادل بناءً على نطاق عدم اليقين الخاص بمصنف التناسق الذاتي.

علاوة على ذلك، تتضمن الدراسة تفسيرًا هندسيًا لأساليب اكتشاف الهلوسة استنادًا إلى مفهوم معاني النواة (Kernel Mean Embeddings)، مما يساهم في توفير رؤى نظرية أعمق.

من خلال تجارب شاملة على معايير الكشف عن الهلوسة، برهنت هذه الطريقة على أداء عالٍ مع تقليل كبير في تكاليف الحوسبة. وبذلك تعزز الدراسة من إمكانيات الذكاء الاصطناعي في مجال الكشف عن الأخطاء وتعزيز الثقة في تطبيقاته العملية.