في عالم الذكاء الاصطناعي، تتزايد الحاجة إلى كفاءة توليد البيانات الاصطناعية، خاصة عند استخدام نماذج اللغات الكبيرة (LLMs). ومع أن هذه النماذج مفيدة للغاية، إلا أن الأساليب التقليدية غالباً ما تؤدي إلى هدر كبير من الرموز (tokens) بسبب توليد مخرجات كاملة قبل تطبيق أدوات تصفية الجودة.

لحل هذه المشكلة، تقدم تقنية **الرفض المتسلسل في الطيران** (Multi-Stage In-Flight Rejection - MSIFR)، التي تعتبر إطارًا خفيف الوزن ولا تحتاج إلى تدريب، حيث تتيح الكشف عن مسارات التوليد ذات الجودة المنخفضة وإنهائها في نقاط تفتيش متوسطة قبل الوصول إلى الاكتمال النهائي.

تستند هذه التقنية إلى تقسيم عملية التوليد إلى مراحل متتابعة وتطبيق مدققات قائمة على قواعد سريعة لتحديد الأخطاء، مثل التناقضات الحسابية وأنماط الهلوسة (hallucination patterns) وانتهاكات التنسيق. وبذلك، يمكننا التخلص من العينات الخاطئة في وقت مبكر.

تمكّن هذه العملية من تقليل استهلاك الرموز بشكل ملحوظ، حيث أظهرت الدراسات أنه بمقدور MSIFR تقليص استهلاك الرموز بنسبة تتراوح بين 11% و77% كطريقة مستقلة، وما يصل إلى 78.2% عند الدمج مع طرق الخروج المبكر، بينما تحافظ أو تحسن دقة التقييم.

تؤكد هذه النتائج الرائعة على أن تقنية MSIFR توفر آلية عملية لتعزيز كفاءة توليد البيانات الاصطناعية المستخدمة مع نماذج اللغات الكبيرة، دون الحاجة لأي تدريب إضافي أو تغييرات في الهيكلية.