في عالم الذكاء الاصطناعي، يتطلب تقييم نماذج اللغات الضخمة (Large Language Models) فهماً عميقاً للسياقات الطويلة، وخصوصاً عند التعامل مع لغات متعددة. وهنا يأتي دور MGAL، المعايير الذي تم إطلاقه حديثاً، والذي يعتبر الأول من نوعه في تقديم تقييم شامل للسياقات الطويلة ضمن معايير لغوية متعددة. MGAL يستند على تقارير الأمم المتحدة، حيث يشتمل على شرائح تتراوح من 8000 إلى 128000 كلمة موزعة على ست لغات رسمية.


MGAL لا يقتصر فقط على تقييم المدخلات على مستوى المستند، بل يغطي أيضاً أربعة مستويات من البنية اللغوية مثل الكلمات والجمل والفقرات والمستندات. ومن خلال تصنيف هذه المدخلات حسب موقعها داخل المستند، يتمكن الباحثون من تشخيص شامل لقدرات فهم السياق الطويل عبر درجات مختلفة من الدقة اللغوية.

أظهرت التجارب أن نماذج اللغات الضخمة تتألق في المهام المتعلقة بالكلمات، ولكنها تعاني عند التعامل مع مهمات أكثر تعقيدًا. كما تبين أن النماذج المغلقة المصدر تحافظ على ميزات أفضل في اللغات الأقل شهرة. وقد تم التعرف على تحديات جديدة، منها تداخل المعاني المحلية وجFol l-أسس، حيث تميل النماذج إلى الاعتماد على مؤشرات سطحية بدلاً من تحليل الدور الحواري للجمل في السياق المحيط.

إن MGAL يعد خطوة هامة نحو فهم ومعالجة التحديات الدقيقة في معالجة اللغة الطبيعية. بفضل تفاصيله الدقيقة، يفتح MGAL آفاقاً جديدة لدراسة وتحليل نماذج اللغات الضخمة وكيفية تحسين أدائها في سياقات متعددة اللغات.