في خطوة مبتكرة نحو تحسين تفاعلاتنا مع نماذج اللغات الضخمة (Large Language Models)، أظهرت الأبحاث الجديدة أنه يمكن قياس تأثير القيود التي يفرضها المستخدمون واستعادتها بشكل فعال. يواجه المستخدمون عادةً صعوبة في استرجاع القيود المفروضة، مما يؤدي إلى ظاهرة تُعرف باسم "انتكاسة السلوك"، حيث تستمر النماذج في تطبيق المتطلبات حتى بعد إلغاءها.

لإصلاح هذه المشكلة، تم تطوير نظام جديد يستخدم واجهة برمجة التطبيقات الخاصة بالنموذج (Model API) لتقديم حلول مبتكرة. يعتمد النظام على دفتر سجلات للقيود يربط كل قيد بفاحص قابل للتنفيذ، ويسجل إلغاءات القيود باعتبارها "قبورًا" ويجمع حالة القيود في وقت مبكر حول مواصفات موحدة.

عبر استخدام أداة "استقصاء الاستبقاء"، يتم قياس الالتزام بالقيود على مستوى كل بند وتحديد التأثيرات السلوكية تدريجيًا. كما أن هناك سُلَماً للإصلاح يعمل تحت ميزانيات متطابقة، مما يسهل معالجة الأخطاء الناتجة عن فشل الاسترجاع.

الأبحاث تظهر أن الانتكاسة عند نقطة التشغيل 8 مليار تزداد بشكل ملحوظ مع زيادة ضغط القيود، في حين أن النماذج الأقوى تظل مستقرة. باستخدام فاحصات متطابقة ونموذج وميزانية، تنجح تقنية التجميع المسبق في تقليل الانتكاسات مقارنةً باستخدام الفاحص التقليدي.

تتوقع الأداة الانتكاسات قبل التسليم، مما يجعل فشل الاسترجاع خاصية قابلة للقياس، يمكن التنبؤ بها وإصلاحها بفعالية. هذه النتائج تمهد الطريق لفهم أعمق للعلاقة بين المستخدمين ونماذج الذكاء الاصطناعي.