في عالم الذكاء الاصطناعي، تمثل الهلوسات (Hallucinations) أحد أكبر التحديات التي تواجه نماذج اللغات الكبرى (Large Language Models). ولكن مع تقديم HALT (Hallucination Assessment via Log-probs as Time series)، نستطيع أن نستشرف حلاً مثيرًا. هذا الكاشف القائم على التكنولوجيا المبتكرة يستخدم فقط أعلى 20 احتمالاً من التوكنات الناتجة عن نماذج اللغات، ويعالجها كسلسلة زمنية لتعزيز الكفاءة.

يتميز HALT بنموذج بوحدة التكرار الموصلة (Gated Recurrent Unit) ويعتمد على ميزات مستندة إلى الانتروبي (Entropy) لفهم تحيزات المعايرة في النموذج، مما يجعله خيارًا فعالًا مقارنةً بالحلول التقليدية التي تحتاج إلى معالجة معقدة. لا يتطلب HALT الوصول إلى الحالات الخفية أو خرائط الانتباه، بل يعتمد فقط على احتمالات السجل الناتجة.

بالإضافة إلى ذلك، تم تقديم HUB (Hallucination detection Unified Benchmark) كمعيار لتقييم الأداء، حيث يدمج مجموعات البيانات السابقة في عشر قدرات تشمل مهام مختلفة مثل التفكير خوارزمي، والحس السليم، والتوليد الرمزي ومهام أخرى.

مع قدرة HALT على outperforming نموذج Lettuce، الذي يعتمد على ترميز BERT المعاصر، يحقق تحسنًا في السرعة يصل إلى 60 مرة. تتيح هذه التقنية الجديدة إطارًا فعالاً لرصد الهلوسة عبر قدرات متنوعة لنماذج اللغات الكبرى، مما يسهم في تعزيز الأمان والتحكم في استخدام هذه النماذج الحيوية.