في عالم الذكاء الاصطناعي اليوم، تبرز نماذج اللغات الضخمة (dLLMs) كأدوات ثورية قادرة على توليد النصوص بطرق مبتكرة، وتفاعلية للغاية. ومن بين المفاهيم الجديدة المثيرة للاهتمام التي تم طرحها، يأتي مفهوم اتباع التعليمات في المكان (In-place Instruction Following - IIF).

تساهم نماذج (dLLMs) في عملية التوليد النصي عبر إزالة الضوضاء بشكل ثنائي الاتجاه، مما يسمح بتطبيق قيود محددة من قِبل المستخدم في أي موقع من النص الناتج. ويعرف هذا النظام باسم توجيه التعليمات في المكان (In-place Prompting - IPP).

لتحليل هذه الظاهرة، تم تصميم benchmark جديد يُعرف باسم IIF-Bench، والذي يشمل قيوداً متعددة مثل الأسلوب والوظيفة الخطابية. كما تم تطوير بروتوكول تقييم شامل يستخدم نهجاً محلياً وعالمياً.

لقد أظهرت الأدلة أن نماذج (dLLMs) قد تفتقر في بعض الأحيان إلى التركيز الكافي على القيود أثناء عملية إزالة الضوضاء. لذلك، قدم الباحثون إطاراً تدريبياً جديداً يُعرف باسم GRAFT، الذي يجمع بين تقنيات تدريبات قائمة على القيود (constraint-aware SFT) وتحسين التفضيل.

أظهرت نتائج التجارب أن GRAFT قد رفع متوسط ​​درجة الالتزام بالتعليمات (IIF score) من 57.75 إلى 73.10، مما يشير إلى تحسين ملحوظ بقيمة 15.35 نقطة. كما حقق النظام زيادات ملحوظة في قيود الأسلوب والوظيفة الخطابية بينما حافظ على القدرة العامة للتوليد النصي.

ختاماً، تعكس هذه النتائج أهميتها المستمرة وفعالية التحسينات في نماذج الذكاء الاصطناعي، مما يفتح آفاقًا جديدة لتقنيات توجيه التعليمات في المستقبل.