في عالم الذكاء الاصطناعي، أصبح ضبط التوجيه أثناء الاختبار (Test-time Prompt Tuning - TPT) أحد الاتجاهات الرائدة لتحسين الأداء. يتمثل هذا الأسلوب في تعديل التوجيهات لكل عينة اختبار من خلال تقليل الانتروبيا (Entropy Minimization - EM) عن طريق استخدام وجهات نظر معززة متعددة. لكن، مثل أي تقنية جديدة، كانت هناك تحديات تحتاج إلى معالجة.

في ورقة بحثية حديثة، تم التعرف على قيود هامة في نموذج التكييف القائم على الانتروبيا. إذ يُلاحظ أن النظام يقود النماذج إلى توقعات مفرطة الثقة، متجاهلاً عدم اليقين المرتبط بكل عينة اختبار، مما يؤدي إلى تدهور كبير في المعايرة (Calibration).

لمعالجة هذه المشكلة، اقترح الباحثون هدفًا جديدًا يستغني عن خسارة الانتروبيا التقليدية، ويقوم بمحاذاة توقعات النموذج الأصلية مع توزيع مستهدف مستمد من وجهات النظر المعززة عبر استخدام خسارة الانتروبيا المتقاطعة (Cross-Entropy). فضلاً عن استخدام تقنيات دقيقة مثل تسخين درجة الحرارة الواعية بالثقة (Confidence-aware Temperature Scaling)، والتي تعمل على تعزيز التوقعات الموثوقة بينما تخفف من الاضطرابات في التنبؤات غير المؤكدة.

تظهر التجارب التي تم إجراؤها على مجموعة متنوعة من المعايير أن هذه الطريقة لا تعزز فقط الدقة إلى مستويات ممتازة، بل تحسن أيضًا من المعايرة بشكل ملحوظ، مما يعكس إمكانية أكبر لتطبيقات الذكاء الاصطناعي في مجالات عدة.