اكتشاف آليات جديدة لتعليم نماذج الذكاء الاصطناعي تتبع تعليمات العلامات المائية في السياق!

في عالم الذكاء الاصطناعي المتطور، يعد موضوع العلامات المائية داخل السياق (In-Context Watermarking) أحد المفاهيم الجديدة التي تتطلب المزيد من البحث والدراسة من أجل تحسين أداء نماذج اللغات الضخمة (Large Language Models) مثل Qwen3-14B وGPT-OSS-20B.

من خلال هذا الابتكار، يتم تضمين إرشادات مباشرة في الطلبات الموجهة للنموذج بهدف ضمان تضمين إشارة يمكن اكتشافها إحصائيًا في ردوده. ولكن كيف يتم قياس فعالية النماذج في اتباع هذه التعليمات؟ هنا يأتي دور ICWBench، وهو معيار جديد يقوم بتقييم ثلاثة أنواع من تعليمات ICW, حيث يتم قياس النتائج استنادًا إلى قابلية الاكتشاف وجودة الإجابات.

تم إجراء تقييم شامل لـ 14 نموذجًا من النماذج المتطورة، وظهرت النتائج مفاجئة، حيث لم يتمكن أي نموذج من تحقيق الأهداف المرجوة عبر جميع العائلات الثلاث. لمواجهة هذا التحدي، اقترحت الدراسة منهجية تدريب جديدة تتكون من مرحلتين، تتطلب منهجًا شددت فيه على استقلالية النماذج وقلة التعقيد.

المرحلة الأولى تعتمد على تقنية الاستخراج الذاتي مع اضطراب logits (Self-Distillation with Logits Perturbation - SDLP) حيث يعمل نفس النموذج كمدرس وطالب، مما يعزز قدرة النموذج على تنفيذ التعليمات المحددة. أما المرحلة الثانية فتطبق التعلم المعزز باستخدام محقق تلقائي كمكافأة.

عند تطبيق هذه المنهجية على النموذجين Qwen3-14B وGPT-OSS-20B، وجدت الدراسة زيادة ملحوظة في المعدل الإيجابي الحقيقي (TPR) مقابل المعدل السلبي الخاطئ (FPR) عبر التعليمات الثلاثة ذات الصلة، مما يدل على نجاح الطريقة في تحقيق أهدافها.

تعتبر هذه النتائج بمثابة خطوة هامة نحو تعزيز قدرات النماذج على أداء المهام المعقدة مع الحفاظ على جودة الإجابات، مما يبشر بمستقبل واعد في مجال الذكاء الاصطناعي.