تُعتبر مشكلة الهلاوس (Hallucination) إحدى العقبات الكبرى أمام موثوقية أنظمة نماذج اللغات الضخمة (Large Language Models) في التطبيقات الانتاجية، خصوصاً في الأنساق متعددة الوكلاء حيث يمكن أن تنتشر الادعاءات غير المدعومة عبر مراحل مختلفة. في خطوة رائدة، يقدم هذا البحث تصميمًا مستوحى من نموذج HOPE باستخدام هيكلية التعلم المتداخل (Nested Learning) وأنظمة الذاكرة المستمرة (Continuum Memory Systems) مع تخزين المعاني لتحسين أداء الأنظمة.

قامت الدراسة باختبار هذا التصميم الهجين من خلال 310 استجابة، تشمل 217 استجابة تتعلق بعدم اليقين المعرفي و93 استجابة لاختبار الضغط الناتج عن التشويه. تم تقييم أنبوب الوكلاء ثلاثي المراحل باستخدام بروتوكول Open Floor Protocol (OFP) وتطبيق خمسة مؤشرات رئيسية للأداء (KPIs) تشمل: كثافة الادعاءات الواقعية (FCD)، مرجعيات التحقق الواقعي (FGR)، تواتر الإخلاء الخيالي (FDF)، درجة السياق الصريح (ECS)، ونسبة الرؤية (OSR). تم تجميع هذه المؤشرات لتحديد مؤشر الهلاوس الإجمالي (THS) عبر خمس تكوينات وزنية لدراسة علاقات التخفيف والرؤية.

تشير النتائج إلى أن التصميم غير المتماثل ساهم في تقليل THS بنسبة تتراوح بين -31.3% إلى -35.9% عبر النماذج المختلفة. كما حقق نظام تخزين المعاني 440 حالة نجاح من أصل 930 استدعاء محتمل (نسبة نجاح 47.3%)، مما أدى إلى تقليل الطلب على نماذج اللغات الضخمة إلى 490 استدعاء، وبالتالي تقليل البصمة البيئية للطاقة وثاني أكسيد الكربون ورفع فعالية أنظمة المراجعة متعددة المراحل. وتجدر الإشارة إلى أن تكوين ExtremeObservability ساهم في الحصول على أدنى قيمة نهائية لمؤشر الهلاوس (-0.0709)، مما يؤكد على أن تكوينات التركيز على الرؤية تدعم التعزيز بدلاً من تعريض التخفيف للخطر.

تشير هذه النتائج إلى أن التصاميم المعززة بالذاكرة المشتركة بين الوكلاء يمكن أن تحسن من موثوقية المعلومات وكفاءة العمليات وقابلية التدقيق، دون الحاجة إلى إعادة تدريب النماذج.