قدمت دراسة جديدة إطارًا كميًا لرسم ملامح نماذج اللغات الضخمة (LLMs) من حيث الخصائص السردية. تكشف الدراسة كيف يمكن استخدام مهمة محددة لتحديد خيارات النموذج بشكل منظم، حيث تختلف نتائج النماذج الذكية تحت تأثير التعليمات.

تحتوي الدراسة على تحليل مكون من بعدين؛ الأول هو "الاتساق" (consistency) والذي يقيس تكامل الاختيارات باستخدام مؤشر مشابهة جاكارد (Jaccard similarity)، بينما الثاني هو "التنوع" (diversity) الذي يقيس كيفية انتشار الخيارات باستخدام مؤشر سيمبسون المعكوس (inverse Simpson index).

تم تقديم مفهوم يسمى "منظر السرد" (Narrative Landscape) وهو تصور يعتمد على تحليل المكونات الرئيسية (PCA) لرسم خريطة لكل نموذج في مساحة مشتركة تسمح بالمقارنة المباشرة.

أظهرت النتائج وجود طيف واضح بين rigidity و exploration عبر أسر العائلات النماذج، بالإضافة إلى إشارة التعليمات التي تؤثر على هندسة فضاء الاختيار، مما يوحي بأن النتائج القابلة للمقارنة قد تخفي في الكثير من الأحيان طوبولوجيًا مُتميزًا للانتقاء.

هذا البحث يفتح آفاقًا جديدة لفهم كيفية تشكيل التعليمات والتجارب السردية في نماذج الذكاء الاصطناعي.

ما هي آراؤكم حول هذه التطورات الجديدة في عالم الذكاء الاصطناعي؟ هل تعتقدون أن هناك تأثيرات أخرى يمكن اكتشافها في نماذج السرد؟ شاركونا في التعليقات!