تشهد نماذج اللغات الضخمة (Large Language Models) تطورًا ملحوظًا في قدراتها، حيث أصبحت توفر إجابات أكثر دقة في بداية الأمر. لكن ماذا يحدث عندما يتعلق الأمر بالموثوقية؟ تشير دراسة جديدة منشورة على arXiv إلى أن الأخطاء تتسارع مع ازدياد حجم النموذج، مما يزيد من مخاطر ارتكاب الأخطاء بشكل غير ملحوظ.

تواجه النماذج اللغوية تحديات جديدة عندما تنمو، حيث يمكن لنموذج لغة أكبر أن يلتزم برمز ذي احتمال منخفض، مما يؤدي إلى تأثير يتفاقم بسرعة مع كل خطوة جديدة. هذا المفهوم يعرف بـ "النظام الخفي للمخاطر الذاتية"، حيث يؤثر بعد اقتران دقيق على موثوقية النموذج.

تمكن الباحثون من تتبع تباين الأداء من خلال دراسة دقة النماذج بالمقارنة مع نماذج مأخوذة من نفس العائلة. وأفادوا بأن الفجوة المعرفية (knowledge gap) تتناقص بشكل كبير، حيث تنخفض إلى 6 مرات في حين أن التدهور في المعرفة (knowledge degradation) ينمو بمعدل يصل إلى 39 مرة. كما أن التجربة مع نماذج ضخمة تجعل الأخطاء تتكرر بسرعة أكبر في حالات محددة، مما يترك نموذجًا واثقًا ولكنه ينطوي على مخاطر.

إن هذه الدراسة تسلط الضوء على بعض الاكتشافات الأساسية، مثل أن المخاطر الذاتية تبقى لفترات أطول، وأن النموذج يفتقر إلى القدرة على اكتشاف الأخطاء في نفسه، مما يعد إنذارًا مهمًا للباحثين والمطورين على حد سواء.

إذا كنت ترغب في معرفة المزيد حول كيفية تأثير النماذج الضخمة على أداء وحسابات الذكاء الاصطناعي، تابعونا في هذا الفضاء الديناميكي المتطور!