في عالم نماذج اللغة المعززة بالاسترجاع (RALMs)، يُعتبر صمود النموذج من النقاط الأساسية لتحقيق نتائج موثوقة في المهام المعرفية. رغم القدرات الكبيرة لهذه النماذج، إلا أنها قد تعاني من القابلية للإصابة عندما تتعامل مع سياقات مبهمة أو غير ذات صلة. لذا، تبرز الحاجة إلى قدرتين متميزتين: الامتناع عن توليد المعلومات عندما تكون السياقات غير مُفيدة، والقدرة على استخراج المعلومات المهمة من وسط الضوضاء.

للأسف، تواجه الأساليب الحالية قيوداً رئيسية، فهي لا تدرب هذه القدرات بطريقة منفصلة، فضلاً عن أنها تعتمد على التكيف في مستويات طبقات أو وحدات كبيرة، مما يغفل أن مجموعة صغيرة فقط من الأعصاب هي التي تتفاعل بقوة مع مدخل معين.

هنا يظهر إطار العمل الجديد NeuRIT، الذي يمثل ثورة في هذا المجال. يعتمد NeuRIT على منهجية تُعرف بالتركيز على تحديد الموقع، حيث يقوم بتعدين الأعصاب المرتبطة بنماذج السياق المترابطة مع معالجة المعلومات ذات الصلة والغير ذات الصلة. يستخدم هذا الإطار هذه الأعصاب كنقاط مرجعية لتعديل مجموعات الأعصاب والتأكد من كفاءة طبقاتها.

من خلال تطبيق تعليمات موجهة في مرحلتين، يُعلّم NeuRIT الأنظمة كيفية شرح سلوكيات تكميلية؛ امتناع عن توليد المعلومات عندما لا يكون هناك شيء لاستخراجه، واستخراج الأدلة ذات الصلة عندما تكون متاحة.

تمهد هذه الابتكارات الجديدة الطريق أمام فعالية أكبر، حيث إن NeuRIT يتفوق باستمرار على المعايير القوية عبر مجموعة متنوعة من معايير السؤال والجواب. لمزيد من التفاصيل، يمكن الاطلاع على الكود الخاص بالنموذج على GitHub.