في عالم الذكاء الاصطناعي، تعتبر نماذج اتخاذ القرارات ذات الرمز الواحد (Single-Token Typed Decision Models) واحدة من أكثر الابتكارات تقدمًا، حيث تتيح استجابة سريعة للغاية مع تقديم تقديرات احتمالية لكل إجابة ممكنة. لكن هذه النماذج غالبًا ما تعاني من قيود عندما يتعلق الأمر بتدريب البيانات، حيث تعتمد الطرق التقليدية على نتائح بسيطة تتجاهل التركيب الأساسي للبيانات. لدعم هذا التطور، ظهر مفهوم جديد يسمى PACT (Pairwise-Anchored Calibrated Tuning) والذي يعد بمثابة تحسين رئيسي في دقة هذه النماذج.

تستند طريقة PACT إلى بيانات تم تجهيزها كأزواج متعارضة، حيث يتم التركيز على سياق واحد يختلف في حقيقة واحدة فقط، وهذا يضمن أن حذف الجملة الحاسمة سيجعل الحقيقة غير معروفة. يتم تدريب النماذج من خلال أربعة شروط تدريبية محورية، التي لا تتطلب أي تصنيف جديد، وذلك عن طريق:

1. **فرق الهوامش** الذي يظل غير متأثر بأية هوامش مشتركة.
2. **التناسق في التبديل** الذي يعالج انحياز مواقع كود الإجابة.
3. **ضرورة الدليل** في السياقات التي تم التحقق منها.
4. **تكاليف النقل الترتيبي** للحقول.

الأداء التجريبي لطريقة PACT مُبهر حيث حققت دقة قريبة من 85% بينما قللت من انحياز المواقع. فقد سجلت الفرق بين نتائج الاختبارات في ثلاثة محاور مختلفة، مما يؤكد على قوة وثبات هذه الطريقة. كما أظهرت النتائج تقليل نسبة الأخطاء الترتيبية، مما يدل على فعالية PACT في تحسين النماذج لغوية.

يمكن للمطورين والباحثين الاطلاع على البيانات والأكواد الخاصة بـ PACT على GitHub. ما رأيكم في هذه الطريقة المبتكرة؟ شاركونا آرائكم في التعليقات.