تعتبر التعليمات هي الأداة الأساسية لتوجيه سلوك نماذج اللغة الكبيرة (Large Language Models)، لكن فهم هيكلها الداخلي وhierarchy السببية لها لا يزال محدوداً. السؤال حول أي الأجزاء ضرورية بشكل حاسم وأيها قد تكون زائدة يبقى مفتوحًا، ويفرض هذا الغموض تبعات خطيرة. فالتغيرات الطفيفة في التعليمات يمكن أن تؤدي إلى تغييرات غير مرئية في مخرجات النماذج، وليس لدى المهندسين تقنيات موثوقة للتفكير في موثوقية هذه التعليمات.

تم تقديم إطار عمل جديد يُدعى ramework، يهدف إلى تقليل عدد التعليمات اللازمة للنماذج اللغوية إلى الحد الأدنى الضروري. استخدم باحثو الدراسة حالة دراسية لتطبيق هذا الإطار ولإظهار الرؤى التي يمكن الحصول عليها من خلاله.

أظهرت التجارب أن أمثلة التعليمات القليلة يمكن تقليصها بمتوسط قدره 65.3% مع الحفاظ تمامًا على دقة المخرجات. حيث إن النماذج تفضل الاحتفاظ بالمعرفات المنطقية وإعلانات القيود، بينما تتخلص من النثر اللغوي والبيانات العلائقية.

تحليلنا يشير أيضًا إلى أن بعض النماذج تعتبر ترميزات عالمية، قادرة على إنتاج تعليمات مختزلة بشكل واضح، بينما تعتبر أخرى مفسرات عالمية، قادرة على فهم التعليمات المختزلة من النماذج الأخرى.

من خلال تحديد المكونات الأساسية، يوفر إطار العمل هذا أساسًا مدروسًا لضغط التعليمات وتحليلها الهيكلي وفقًا لمجموعة الأمثلة القليلة.

إذا كنت مهتمًا بتطوير تقنيات أكثر فعالية في مجال الذكاء الاصطناعي، فإن هذا البحث يمثل خطوة مثيرة في الاتجاه الصحيح. ما رأيكم في هذا التطور؟ شاركونا في التعليقات.