بينما تتقدم تقنيات التعلم الآلي ونماذج اللغات الضخمة (Large Language Models) بسرعة، يظهر بحث حديث يركز على ما يُعرف بخلايا الهلوسة (Hallucination Neurons) كأحد الزوايا المهمة لفهم سلوك هذه النماذج. يعتمد التعلم الآلي القابل للتفسير على تقنيات مثل أساليب الاستكشاف النادرة، التي تحدد مجموعات صغيرة من الخلايا العصبية المسؤولة عن سلوكيات معينة، بما في ذلك إعادة استرجاع الحقائق والتوافق والسلامة.

تتناول هذه الدراسة البروتوكول التشخيصي المكون من خمس خطوات الذي يهدف إلى تقييم العلاقة بين الميزات واستقرار التقييم والتناقضات بين التصنيفات، مما يضع معايير جديدة لتقييم ادعاءات تحديد خلايا الهلوسة. من خلال استخدام نماذج لغوية مفتوحة المصدر، تم اختبار نموذجات مثل TriviaQA وBioASQ وNQ-Open، وكشف البحث أن النموذج Gemma 3 4B نجح في تحقيق نتائج أفضل مقارنةً بالنموذج MedGemma 4B في عدة تجارب.

أظهرت النتائج تفوق النموذج Gemma 3 4B بفجوات ملحوظة في قيم AUROC، مما يتطلب فحصًا روتينيًا لعلاقة الخلايا العصبية والتقييمات الميكانيكية. بشكل مثير للاهتمام، لم يتم تحديد الخلايا العصبية بشكل فريد، مما يتطلب المزيد من الدراسات لتوضيح كيفية تأثير هذه الخلايا على الأداء الكلي للنموذج.

ختامًا، يؤكد بحث خلايا الهلوسة على أهمية التشخيص المتقن في التعلم الآلي، ويُظهر كيف يمكن أن تت coexist التركيب البنيوي التنبئي النادر مع الانتقاء غير الفريد للخلايا العصبية، مما يخلق مجالاً جديدًا للبحث والتطوير في فهم نماذج الذكاء الاصطناعي.