تزايدت أهمية نماذج الذكاء الاصطناعي (AI) في السنوات الأخيرة، ولكن مع وفرة التعليمات الموجهة، بدأت تظهر تحديات جديدة تؤثر على أدائها. في هذا السياق، تم الكشف عن بحث جديد تناول تأثير تراكم التعليمات المتعددة على قدرة نماذج الذكاء الاصطناعي في تنفيذها بدقة وفعالية.

استخدم الباحثون مجموعة متطورة من القيود، تتضمن 24 تعليمًا مختلفًا تم التحقق من صحتها، لتقييم ثلاثة نماذج رائدة في السوق: كلود سونيت (Claude Sonnet 4.6)، جي بي تي-5 ميني (GPT-5-mini)، وجمني 2.5 فلاش (Gemini 2.5 Flash). وقد أظهرت النتائج أن قدرة النموذج على متابعة التعليمات تدهورت بشكل غير خطي، حيث انخفض معدل المتابعة من حوالي 96% إلى أقل من 20% عند زيادة التعقيد.

إحدى النتائج المثيرة كانت أن قيودًا معينة مثل "الإخراج بصيغة JSON" تشكل تعارضات هيكلية مع قيود أخرى، مما يجعل من الصعب على النموذج تنفيذ جميع التعليمات في الوقت ذاته. ولإيجاد حل لهذه المشكلة، قام الباحثون بتطوير مُجمع تعليمات (instruction compiler) يعمل على إعادة كتابة التعليمات المتراكمة في استدعاء واحد للنموذج، مما يمنح زيادة في الأداء تصل إلى 11 نقطة لموديلات أضعف في الأداء، بينما تبقى نماذج أقوى بدون تغيير يذكر.

هذا البحث لا يقتصر على تقديم حلول عملية لتحسين أداء الذكاء الاصطناعي فحسب، بل يقدم أيضًا معيارًا جديدًا يمكن للباحثين والممارسين استخدامه لاستنساخ النتائج والتحقق منها. هل تعتقد أن هذه التطورات ستغير من كيفية استخدامنا لنماذج الذكاء الاصطناعي في المستقبل؟ شاركونا بأفكاركم في التعليقات!