في عالم الذكاء الاصطناعي وتحديداً في نماذج اللغة الكبيرة (Large Language Models)، يواجه العديد من الباحثين تحديات كبيرة عند محاولة التحكم في سلوك النماذج. رغم أن التحكم في التفعيل (Activation Steering) يمثل نهجًا واعدًا، إلا أن معظم الطرق الحالية تعاني من صعوبة في توجيه سمات متعددة في نفس الوقت، مما يؤدي إلى تعارضات غير مرغوب فيها.

هنا يأتي دور الإطار الجديد الذي يُعرف بـ 'Multi-Subspace Representation Steering' (MSRS)، والذي يتيح توجيهًا فعّالًا للسمات المتعددة من خلال تحسين تمثيل الفضاء البُعدي. تقوم هذه الاستراتيجية بتقليل التداخل بين السمات من خلال تخصيص فضاءات عمودية لكل سمة على حدة، مما يعزل تأثيرها داخل نموذج التمثيل.

تعتمد MSRS أيضًا على استراتيجية دمج الفضاءات الفرعية الهجينة، حيث تجمع بين فضاءات معينة للسمات تُتيح توجيهات فريدة، مع فضاء مشترك يُستخدم لتوجيهات أكثر عمومية. تعتمد هذه الاستراتيجية على دالة وزن ديناميكية تتعلم كيفية دمج هذه المكونات بشكل فعال لتحقيق تحكم دقيق.

عند الاستدلال، تقدم MSRS آلية توجيه على مستوى الرموز (Token-Level Steering) التي تحدد وتتدخل بشكل ديناميكي على الرموز الأكثر ارتباطًا دلاليًا، مما يُتيح تعديلًا دقيقًا في السلوك. تُظهر النتائج التجريبية أن MSRS يقلل بشكل كبير من نزاعات السمات، ويتفوق على الأساليب الحالية في مجموعة متنوعة من السمات، كما يتمتع بقدرة فائقة على التعميم في مهام عديدة و مختلفة.

تُظهر هذه الاكتشافات المبتكرة كيف يمكن لنماذج الذكاء الاصطناعي أن تتطور لتصبح أكثر دقة ومرونة، مما يفتح آفاقًا جديدة في تطبيقاتها المتعددة.