في عالم الذكاء الاصطناعي، يتزايد الاعتماد على نماذج اللغة الضخمة (Large Language Models) في تقديم حلول ذكية للمشكلات المعقدة. ومع ذلك، يظل تجميع الإجابات من هذه النماذج تحدياً أساسياً. غالبًا ما تعتمد الطرق التقليدية مثل التصويت بالأغلبية على اعتبار جميع الإجابات متساوية، مما يتجاهل الخصائص الكامنة والتفاعلات بين النماذج.

في خطوة مبتكرة، قامت دراسة جديدة بتصميم خوارزميتين جديدتين تُعرفان باسم الوزن الأمثل (Optimal Weight - OW) والشعبية العكسية المفاجئة (Inverse Surprising Popularity - ISP). تستفيد هذه الخوارزميات من المعلومات من درجات مختلفة، مما يؤدي إلى تحسين عملية جمع الإجابات.

تكشف التحليلات النظرية أن هذه الطرق تساهم في تقليل القيود الطبيعية للتصويت بالأغلبية، وتظهر تجاربنا العملية على مجموعات بيانات صناعية ومعايير مشهورة للتعديل على نماذج اللغة الضخمة مثل UltraFeedback وMMLU، وكذلك في سياق الرعاية الصحية الواقعية ARMMAN، تفوق خوارزمياتنا على معايير العمل التقليدية.

هذه الطُرق الجديدة لا تعزز فقط من جودة التجميع، بل تقدم أيضًا إطارًا قويًا خاليًا من التدريب يُسهل عمليات جمع المعلومات من نماذج اللغة المتعددة. في عصر يتطلب فيه الذكاء الاصطناعي التعامل مع بيانات متنوعة ومعقدة، يسلط هذا التطور الضوء على أهمية استخدام تقنيات مبتكرة لتحسين النتائج الجماعية.