هل يمكن للذكاء الاصطناعي أن يرفض؟ استراتيجية جديدة لتدريب نماذج اللغة المتعددة الوسائط على قول لا!

في عالم الذكاء الاصطناعي المتقدم، تُعد مهمة فهم التعبيرات الإشارية العامة (Generalized Referring Expression Comprehension - GREC) من التحديات التي تتطلب معالجة دقيقة ومبتكرة. ما يحتاجه الأمر هو نموذج يمكنه تحديد الكائن الذي يُشار إليه بدقة عند وجوده، وأيضًا أن يكون قادرًا على الرفض عندما لا يوجد كائن مناسب.

تعتمد النماذج المتعددة الوسائط الكبيرة (Multimodal Large Language Models - MLLMs) على قدراتها المحلية، لكنها تواجه صعوبة عندما يتعلق الأمر بالرفض بسبب نقص العينات السلبية خلال التدريب، مما يؤدي إلى إنتاج ناتج غير دقيق. وعلى الرغم من أن الطرق الحالية مثل التعليم الدقيق تحت الإشراف (Supervised Fine-Tuning - SFT) والتعلم التعزيزي (Reinforcement Learning - RL) تعزز من سلوك الرفض، فإنها تؤدي غالبًا إلى تدهور دقة تحديد المواقع في العبارات الإيجابية، مما يؤثر على القدرة الأساسية للنموذج.

لكن الباحثين قدموا حلاً مبتكرًا يُعرف باسم "تحسين السياسة النسبية المدرب على الرفض" (Refusal-Calibrated Group Relative Policy Optimization - RC-GRPO). هذه الاستراتيجية تعتمد على التعلم التعزيزي المنظم الذي يعزز قدرة النماذج على الرفض دون التأثير على دقة تحديد المواقع. من خلال تنفيذ ناتج "لا شيء" (None) في التقييمات، يتم تحقيق تقدير دقيق للفائدة على العيّنات السلبية، مما يضمن تحقيق توازن بين الدقة والموثوقية.

أظهرت التجارب على ثلاثة معايير لـ GREC أن RC-GRPO يُحقق دقة تربط بين الكائنات المفهومة وقدرة قوية على الرفض، مما يمثل خطوة هامة نحو تعزيز الذكاء الاصطناعي ليصبح أكثر تفهمًا وفاعلية. فهل يمكن للذكاء الاصطناعي، إذًا، أن يقول لا؟ الإجابة الآن أصبحت قريبة من الحقيقة أكثر من أي وقت مضى.

ما رأيكم في هذا التطور الجديد؟ شاركونا في التعليقات!