في عالم الذكاء الاصطناعي، تأتي أنظمة نماذج اللغات الضخمة (Large Language Models) مع تحديات متعددة، لا سيما عند دمجها مع مرشحات Regex. إحدى الدراسات الحديثة، التي تم نشرها على منصة arXiv، تتناول هذا الموضوع بشكل علمي واستكشافي، ونتائجها كانت بعيدة عن المتوقع.

تسعى الدراسة إلى فهم ما إذا كان من الممكن عزل نماذج LLM عن مرشحات Regex، خصوصًا عندما يتم تعديل corpus بحيث يتجاوز هذه المرشحات. تم تقديم نموذج جديد يعرف باسم $L_5$-no-regex، والذي يتماثل في الوظائف مع نموذج $L_4$-real (Gemini-2.5-flash) ولكنه يفتقر إلى مرشح تسعة الأنماط.

أجريت التجارب على ما يقارب 45 من المحفزات العدائية تم توزيعها عبر ثلاثة مجموعات بيانات فرعية، ما يمكن الباحثين من فهم طريقة تصرف النموذج تحت الضغوط المختلفة.

ومع النتائج التي تم الحصول عليها، اتضح أن معدلbloc في نموذج $L_5$ كان معدومًا عبر جميع الفئات العشر الرئيسية لنماذج LLM وفقًا لمعيار OWASP. هذا، على الرغم من النتائج الأخرى التي أظهرت أن الموافقة على المحفزات العدائية قد تختلف بناءً على التطبيق المستخدم.

في التحليل النهائي، وجدت الدراسة أن فعالية العزل مرتبطة بنوع القياس المستخدم، حيث لم يُلاحظ أي تغطية إضافية على المطلب الضار مستخدمًا لغة طبيعية، بينما ظلت استجابة النموذج متفاوتة لنماذج المحفزات المعقدة. وهذا ما يجعل تحديد العزل تحدياً حقيقياً في التطبيقات العملية.

تظل هذه النتائج مثيرة للاهتمام، ويُعتبر توثيق العلاقة بين النماذج والمرشحات خطوة مهمة نحو فهم أعمق لأسلوب عمل هذه الأنظمة المبتكرة.