لقد أصبحت النماذج اللغوية محورية في مجال الذكاء الاصطناعي، حيث يتم تدريبها باستمرار على تقنيات جديدة لتعزيز قدرتها على تقديم استجابات دقيقة. أحد أبرز التحديات التي تواجه هذه النماذج هو ما يعرف بالهلوسة المعلوماتية (hallucinations)، حيث تنشئ النماذج معلومات غير دقيقة أو مختلقة. في دراسة جديدة موثوقة، تم فحص إمكانية تحسين النموذج من خلال توجيه المعرفة (knowledge-aligned supervised fine-tuning).

تتمثل فكرة هذه التقنية في تصحيح استجابات النموذج اللغوي لتتناسب مع المعرفة المتاحة له، مما قد يمنع ظهور الهلوسات. وقد تم اقتراح مجموعة من الطرق للحد من هذه الظاهرة، مثل إعادة كتابة الأدلة (Evidence Rewrite) التي تحقق في نتائج النموذج باستخدام معلومات خارجية، وإعادة كتابة الاسترجاع (Recall Rewrite) التي تحتفظ بالمعلومات فقط عندما يمكن للنموذج إعادة استرجاعها بشكل متسق.

وفي سياق التجارب التي أجريت على النموذجين Qwen 3 4B وOLMo 3 7B، أثبتت النتائج أن استخدام طرق التوجيه المعرفي بشكل فعال يمكن أن يؤدي إلى تقليل الهلوسة المعلوماتية مع الحفاظ على كفاءة النموذج. حيث قدمت تقنية Recall Rewrite أفضل النتائج من حيث دقة المعلومات وسلوك الرفض على اختبار UnknownBench.

كل هذه الجهود تعكس مدى تعقيد تدريب النماذج اللغوية، والبحث المستمر لتحقيق أفضل النتائج. فهل نحن على أعتاب ثورة جديدة في عالم الذكاء الاصطناعي؟ ما رأيكم في هذه التقنية الجديدة؟ شاركونا في التعليقات!