في عالم الذكاء الاصطناعي، أصبحت نماذج اللغات الضخمة (Large Language Models) جزءاً أساسياً من الأدوات الحديثة المستخدمة في تصنيف البيانات واستخراج المعلومات. لكن ما الذي يحدث عندما نتحدث عن هياكل المخرجات؟ في دراسة جديدة أجريت على مجموعة من التهيئات المختلفة لنموذجين، تم اختبار تأثير هياكل المخرجات على أداء النماذج.

تم اختبار أداء النموذج من خلال استخدام مهمة تصنيف ذات حقل واحد مع تسميات عشوائية، حيث تم وضع تعريفات التصنيف في إما تعليمات النظام، أو تعليمات المستخدم، أو وصف الهيكل. وكشفت النتائج أن الاستخدام الفعال لهذا الهيكل لم يكن دائماً متفوقاً على التعليمات المعتمدة على الوصف، إذ انخفضت دقة النموذج GPT-4.1 وGPT-5.4 بنسب تتراوح بين 11-13 نقطة مئوية عند استخدام وصف الهيكل بدلاً من تعليمات النظام.

تظهر الأبحاث أن هياكل المخرجات ليست مجرد بيانات وصفية خاملة؛ بل يمكن أن تتداخل مع فعالية التعليمات، حيث تسبب التعارضات في التعليمات لرصد انحدارات دقة تتراوح بين 5-45 نقطة. نموذج Claude Haiku 4.5، على سبيل المثال، شهد انخفاضاً مفاجئاً من 52.5% إلى 7% بسبب التعليمات الغير دقيقة.

إضافة حقل تفكير تمهيدي قبل حقل التسمية كان له تأثير إيجابي ملحوظ، مما زاد من دقة الهياكل بمعدل 15-24 نقطة في الحالات التي كان فيها المجال متاحاً. كما أظهر التصميم الجيد للهيكل قدرة على تحسين الأداء بشكل يفوق كافة الاستخدامات المبنية على تعليمات النظام.

تسليط الضوء هنا هو أن تصميم الهيكل يمثل عاملاً رئيسياً في كيفية استخدم النماذج للمعلومات. لذلك، ينصح المتخصصون بالتفكير في التعليمات والهياكل كسطح تعليمات موحد، والتحقق من كفاءة مواقع التعليمات وتصميم الحقول للنموذج المستهدف. هل لديك تجارب أو آراء حول تأثير هذه الهياكل؟ شاركنا أفكارك في التعليقات!