شهد عالم الذكاء الاصطناعي (AI) تطوراً ملحوظاً مع استخدام نماذج اللغات الضخمة (Large Language Models) في العديد من التطبيقات، من بينها الإجابة عن الأسئلة الطويلة والتوجيهات المفتوحة. ومع تزايد الاعتماد على آليات التعلم المعزز مثل تعلم تعزيز التغذية الراجعة من الذكاء الاصطناعي (Reinforcement Learning from AI Feedback - RLAIF)، أصبح من الضروري مواجهة تحديات تقييم المكافآت التي تتعلق بالشدة وعدم اليقين.

في هذا السياق، يطرح الباحثون نظام ODRPO، أو تفكيك المكافآت المنفصلة لتحسين السياسات بشكل قوي (Ordinal Decompositions of Discrete Rewards for Robust Policy Optimization). يقدم هذا النظام حلاً منهجياً لمشكلة التقييم غير القابل للتحقق من قبل نماذج الذكاء الاصطناعي، من خلال عزل الضوضاء الناتجة عن التقييمات غير الدقيقة.

النظام الجديد يقوم بتفكيك المكافآت إلى مؤشرات ثنائية مرتبة، مما يسمح بحساب المزايا بشكل مستقل عند مستويات صعوبة متزايدة. هذه الطريقة لا تساهم فقط في تقليل تأثير التقييمات الشاذة، بل تعمل أيضاً على بناء منهاج تعليمي مدروس يوفر مستوى عالي من الوعي بالتفاوت.

تظهر نتائج التجارب أن ODRPO يحقق أداءً قوياً على نماذج Qwen2.5-7B وQwen3-4B، بزيادة نسبة تحسين تصل إلى 14.8% على مجموعة FACTS-grounding-v2 و7.5% على مجموعة Alpaca-Evals. ما يميز هذا النظام هو أنه لا يتطلب وقت تدريب إضافي مقارنةً بالأساليب التقليدية؛ حيث يتمتع باستقرار نظري يؤكد فعاليته.

النظام يوفر إطاراً مقياسياً ومتيناً متماشياً مع التحديات المتعلقة بالتقييمات الضوضائية، مما يعزز فعالية نماذج الذكاء الاصطناعي في البيئات الحديثة.