تتجلى أهمية اللغة والمفردات في عالم نماذج اللغات الضخمة (Large Language Models) بشكل واضح، حيث أظهرت الأبحاث الأخيرة أن هذه النماذج تتمتع بحساسية شديدة تجاه التغيرات السطحية في الطلبات. حتى التعديلات الطفيفة على المفردات قد تؤدي إلى تقلبات ملحوظة في الأداء.

في دراسة تم نشرها على منصة arXiv، تم تقديم أول تحليل شامل لمتانة المحفزات على مستوى النماذج اللغوية، مستخدمين مجموعة بيانات تضم 132,000 نوع مختلف من الطلبات. وقد كشفت النتائج عن قانون أساسي لاستقرار أداء المحفزات، حيث ارتباط الأداء الجيد بمستويات منخفضة من التقلبات.

تم تحديد عنصرين لغويين أساسيين يسهمان في تعزيز هذا الاستقرار:
1. **المصطلحات الخاصة بالمجال (Domain-Specific Terminology)**: هذه المصطلحات تساعد في تحديد الحدود الدلالية، مما يوفر إطاراً أوضح للفهم.
2. **التوجيهات الفعلية الصريحة (Explicit Action Directives)**: هذه التوجيهات تحدد مسارات التفكير، مما يسهل عملية إنتاج النصوص بدقة أكبر.

استنادًا إلى هذه النتائج، تم تطوير وكيل آلي لتحسين الطلبات، يعمل على إعادة هيكلة الاستفسارات المدخلة عبر تضمين عناصر الربط المحددة في المجال والقيود التشغيلية. وقد أظهرت التقييمات التجريبية أن هذه الطريقة تقلل من تقلبات الأداء بنسبة تصل إلى 40.7% في مهام انتاج الأكواد، مع الحفاظ على أو تحسين الأداء المتوسط.

تفتح هذه النتائج آفاقاً جديدة لفهم كيفية تحقيق تصميم طلبات أكثر قوة وفاعلية في مجال الذكاء الاصطناعي، مما يسمح بالتصميم الأكثر دقة للنماذج اللغوية. هل تعتقد أن تحسين المحفزات سيؤدي إلى قفزات نوعية في أداء نماذج الذكاء الاصطناعي؟ شاركونا آرائكم في التعليقات!