في عالم الذكاء الاصطناعي، أصبح استخدام الأنظمة متعددة النماذج (Multi-LLM) شائعًا لتحقيق تفاعلات أكثر تعقيدًا ودقة. حسب دراسة جديدة نشرت على arXiv، يُظهر البحث أن سلوك المحادثة يعتمد بشكل كبير على مكونات ما بعد التدريب (Post-Training Recipe) للنماذج.

تمت دراسة 940,000 سلسلة و11 نقطة تفتيش باستخدام نموذج Llama، حيث أظهر الباحثون أن نماذج لغات متعددة يمكنها مناقشة وتقييم مخرجات بعضها البعض، مما يعزز من اتساع نطاق النقاش وتنوع الأفكار. لكن هنا تأتي المفاجأة! حيث وجد الباحثون أن مسميات عائلات النماذج (Model Family) لا تعكس بشكل كامل التنوع في سلوك المحادثة.

من خلال استخدام متغيرات محددة، وجدوا أن نموذج Llama قد يغير نمط استجابته بنسبة تصل إلى 18% بناءً على الشريك الذي يتعامل معه، مما يعني أن الاستجابة لا تعتمد فقط على تصريحات النموذج، ولكن على كيفية تفاعله مع نماذج أخرى. هذه النتائج تشير إلى أنه يجب النظر في مكونات ما بعد التدريب كعامل رئيسي عند تصميم أنظمة معالجة اللغة الطبيعية.

ختامًا، تُعتبر هذه الدراسة خطوة كبيرة نحو تحسين التفاعلات بين أنظمة الذكاء الاصطناعي، مما يفتح آفاق جديدة لفهم كيفية تأثير النماذج على سلوك المحادثات. إن تنوع النماذج يشكل محورًا أساسيًا لتطور هذه الأنظمة، لذا ما رأيكم في هذا التطور المثير؟ شاركونا في التعليقات.