في عالم الذكاء الاصطناعي، تواجه نماذج اللغة الكبيرة (LLMs) تحديات كبيرة تتمثل في اختيار الإجابات الصحيحة من بين مجموعة من سلاسل التفكير. في هذا السياق، تمثل الاختيارات التقليدية، مثل التحقق الذاتي (self-consistency)، عائقاً، حيث تعيد إنتاج أخطاء النموذج الفردي. وقد أثبتت النماذج المدربة لتقييم المكافآت (reward models) أنها بحاجة إلى بيانات معلمة وغالبًا ما تخفق عندما تتجاوز نطاق البيانات المستخدم في تدريبها.

لكن ما إذا كان بإمكاننا استغلال آلية جديدة أثناء زمن الاستدلال، ألا وهي توافق النماذج المتعددة (cross-model consensus)؟ يشير هذا المفهوم إلى مدى توافق النماذج المستقلة التي تم تدريبها على حل المشكلة. وفي هذا الإطار، تنشئ هذه النماذج ما يمكن تسميته "الهيئة المحلفة من نماذج LLMs"، حيث تمثل الهيكلية الاتفاقية إشارة التحقق.

لقد أظهرت الدراسات عبر سبعة معايير أن هذا النهج يتفوق في اختيار الإجابات الصحيحة مقارنة بالأساليب التقليدية، حيث يقترب من دقة نموذج "الأوركل" (oracle) في مسائل الرياضيات بينما تقترب طرق التقييم الذاتي من القاع.

يعتمد هذا النهج على فكرة "تزايد الخطأ"، حيث أن النماذج المدربة بشكل مستقل ترتكب أخطاء مختلفة، مما يتيح للأجوبة الصحيحة التراكم في حالة توافق الآراء. وهذا بدوره ينشئ نموذج قانوني يتنبأ بدقة التوافق بناءً على إحصائيات محددة.

يمكن اعتبار توافق النماذج المتعددة بمثابة آلية تحقق يمكن التعرف عليها مسبقاً، حيث تضع معايير تشير إلى متى يمكن الوثوق بفاعليتها، وحد أدنى حيث لا يمكن الاعتماد عليها. إن التطورات في هذا المجال تشير إلى مستقبل واعد للذكاء الاصطناعي.