في عالم الذكاء الاصطناعي، يتصدر السؤال عن كيفية تحسين جودة المحتوى الطويل أولويات الباحثين. في دراسة جديدة نُشرت على منصة arXiv، تم استكشاف القيود الأساسية التي تواجه نماذج اللغة الضخمة (Large Language Models) عند توليد نصوص طويلة.

على الرغم من الدهون الرقمية التي تُعطى لبعض النماذج مثل تلك التي تحتوي على 70 مليار معلمة، إلا أن النتائج تُظهر أن هذه النماذج تعاني من انهيار الطول عندما يتجاوز النص 16,000 رمز. بالإضافة إلى ذلك، تخوض السرديات متعددة الفصول في صراع مع تأثير "الضياع في المنتصف"، حيث تنحرف الأحداث والمواقف بعيدًا عن المسار المخطط له.

في سعي لتفكيك هذا اللغز، توصل الباحثون إلى مفهوم "المخطط أولاً، الكتابة لاحقًا" الذي بدأ ينال قبولًا واسعًا. ولكن السؤال هنا: كيف تقيّم نتائج المخططات بدلاً من الكتابة النهائية؟ هذا ما حاولت الدراسة العميقة الإجابة عليه، حيث تم بناء معيار موحد لمقارنة 7 أطر عمل مختلفة لتوليد المحتوى الطويل، مع التركيز على 3 درجات من التوليد: فصل واحد، عدة فصول، وكتيب كامل.

التجارب أظهرت أن الأداءات تختلف بناءً على مدى توافق شكل الإخراج الداخلي لإطار العمل مع الهدف. من بين النتائج، حقق نظام SuperWriter المركز الأول في وضع الفصل الواحد المكبّل بالطول، لكنه فقد هذه الميزة في وضع الكتاب الكامل. كما أظهرت الدراسة أن التقييم المبني على المخطط لا يتطابق بشكل كامل مع التقييم المبني على الكتابة، مما يعزز أساس تفكيك مرحلة التخطيط عن مرحلة الكتابة.

لكن التحديات لم تتوقف عند هذا الحد، فقد تلعب قيود الحسابات دورًا في تقييم جهة الكتابة، مما يدفع الباحثين إلى إجراء تجارب مستقبلية تهدف إلى توسيع نطاق العينة وزيادة دقة الاستنتاجات統計.

إن كانت لديكم آراء أو تساؤلات حول هذا البحث وأثره على تطوير نماذج الكتابة، فلا تترددوا في مشاركتها معنا في التعليقات!