تعد حواجز الأمان جزءًا أساسيًا من نظم الذكاء الاصطناعي الحديثة، لكن طريقة عمل هذه الحواجز تتغير بسرعة مع تطور التطبيقات. في ظل استحداث نماذج اللغة الضخمة (Large Language Models) كمساعدين مخصصين، أصبح من الضروري تحديد سياسات الأمان في وقت الاستنتاج حسب رغبات المستخدمين أو الشروط التنظيمية.

هذا الانتقال يتطلب استجابة ديناميكية، حيث يجب أن تتكيف الحواجز الأمان مع السياسات المتغيرة في الوقت الحقيقي دون الحاجة لإعادة تدريب النموذج. ولكن هناك توتر أساسي هنا: يتطلب الحكم بدقة على سياقات السياسات المعقدة قدرة على التفكير، بينما يتطلب النشر العملي ردود أفعال سريعة.

لذا، نقدم لكم نموذج حرس السياسات الكامنة (LPG)، وهو إطار عمل مبتكر يمكنه أن يتعلم التفكير الدلالي الكامن حول سياسات ديناميكية. يقوم LPG بضغط عملية التفكير المطلوبة لتفسير النوايا وتأصيل السياسات إلى حالات مستمرة تحت إشراف دلالات ذات صلة بالقرار.

عند وقت الاستنتاج، يوفر نموذج LPG حكمًا شاملًا مرتبطًا بعدد قليل من بنود السياسات المُنتهكة، محافظًا على قابلية التدقيق تجنبًا لفقدان الوقت في التفكير الصريح.

أظهرت النتائج على مقاييس حواجز السياسات أن النموذج LPG-4B حقق دقة أمان متوسطة تصل إلى 84.5% و77.9% في قياس F1، مع ضغط عملية التفكير إلى 10 رموز كامنة فقط، متفوقًا بذلك على أقوى النماذج الديناميكية وبسرعة تشغيل تفوق 11 مرة مقارنة بنموذج Qwen3-4B-Thinking.

للاستزادة، يمكنكم الاطلاع على الكود والبيانات المتاحة على المنصة: [صفحة النموذج]. هل تعتقد أن هذه التطورات ستحدث ثورة في أمان نظم الذكاء الاصطناعي؟ دعونا نعرف آراءكم.