في عالم الذكاء الاصطناعي، أصبحت نماذج اللغات الضخمة (Large Language Models) تلعب دورًا محوريًا في إنشاء نصوص مفتوحة وواسعة. ومع ذلك، تبقى هذه النماذج عرضة للمشاكل المتعلقة بالأخطاء الخيالية، مما يؤثر سلبًا على مصداقيتها. هذه المشكلة تتفاقم بشكل خاص عند إنتاج نصوص طويلة، حيث يتراكم الخطأ من مخرجات سابقة مما يؤدي إلى نتائج غير دقيقة.

لمعالجة هذا التحدي، تم اقتراح إطار جديد يُعرف باسم "تقنية رفض الأخطاء الخيالية قطاعيًا" (Segment-wise HAllucination Rejection Sampling - SHARS). تعتمد هذه التقنية على استخدام كاشف أخطاء خيالي لتحديد ورفض الأجزاء غير الصحيحة أثناء عملية التوليد، مع إعادة التمثيل حتى يتم إنتاج محتوى موثوق.

تُعتبر هذه الطريقة ثورية لأنها تحتفظ فقط بالمعلومات الموثوقة، مما يقلل من تراكم الأخطاء الخيالية ويعزز التناسق الواقعي للنصوص. ومن خلال تبني عدم اليقين الدلالي ككاشف، تم إدخال تعديلات عدة لمعالجة القيود الحالية، وتكييف الطريقة بشكل أفضل لإنتاج نصوص طويلة.

تسمح هذه التقنية للنماذج بالتعديل الذاتي للأخطاء دون الحاجة لمصادر خارجية مثل محركات البحث أو قواعد المعرفة، مع الحفاظ على التوافق معها لتوسعات مستقبلية.

أظهرت التقييمات التجريبية على مجموعة من المعايير القياسية أن هذه الطريقة تقلل بشكل كبير من الأخطاء الخيالية في النصوص الطويلة، بل وتحسن من مستوى المعلومات المقدمة. للإطلاع على الكود، يمكنكم زيارة GitHub. ما رأيكم في هذه التقنية الجديدة؟ شاركونا في التعليقات!