شهدت نماذج الذكاء الاصطناعي المتعددة الأنماط (Multimodal Generative Models) تقدمًا ملحوظًا في إنتاج مخرجات سلسة وطبيعية، إلا أنها لا تزال تواجه تحديات في التعامل مع المعرفة الهيكلية أو التخصصية أو المتعلقة بالسلامة. في إطار الأبحاث الجديدة، تم تقديم نموذج مبتكر يهدف إلى دمج المعرفة بشكل أكثر فعالية من خلال أربعة طبقات تدخل رئيسية.

يتضمن هذا الإطار الفريد مقابلة المعرفة عبر حدود الإدخال والإخراج، وظيفة النقل، الحالة الوسيطة والمعلمات الخاصة بالنموذج. مما يسهل عمل المعرفة على هذه المكونات الأربعة خلال عملية التوليد التكرارية.

تم تطبيق هذا الإطار على نماذج التشتت (Diffusion Models) وتم mapping التقنيات المستخدمة في كل من الطبقات الأربعة. وأظهرت التجارب أهمية الطبقات المتعددة، حيث أثبتت التجارب أن إضافة كل طبقة جديدة تسهم بشكل ملحوظ في معالجة حالات الفشل التي لم يستطع الأسلوب السابق الوصول إليها، مما قلل من المخرجات التي تنتهك المعرفة بنسبة تصل إلى 70.97%.

هذا العمل البحثي يمثل خطوة نوعية نحو تحسين دقة وأمان النماذج الذكية في تطبيقات متعددة، مما يعني أن المستقبل مفتوح لتطبيقات أكثر أمانًا وموثوقية للذكاء الاصطناعي.