في عالم الذكاء الاصطناعي، أصبحت نماذج اللغات الضخمة (Large Language Models) تُستخدم أكثر فأكثر كنماذج بحث متعددة الجولات، وهو الأمر الذي يطرح تحديات جديدة تلزمنا بإعادة التفكير في أساليب قياس الثقة في هذه التكنولوجيا.

مؤخراً، تمت خطوة مهمة لتجاوز القيود التقليدية المرتبطة بالتصويت المعتمد على الثقة، وهو نموذج يعتمد على وزن كل نتيجة بمؤشرات داخلية مثل احتمالات السجل لكل رمز. لكن ماذا يحدث عندما تحتاج هذه النماذج إلى استرجاع مستندات خارجية وتكديسها في سياقها؟ تكشف ورقة بحثية جديدة أن التصويت المعتمد على الثقة قلل من فعاليته في هذا الإطار، بسبب ظاهرة تُعرف بتضخم النسخ (Copy Inflation).

تضخم النسخ يحدث عندما تُضاف مستندات مسترجعة إلى سياق النموذج، مما يجعل الرموز المنسوبة من تلك المستندات تتلقى احتمالات سجل مبالغ فيها. هذا الأمر يُضعف الدرجات الثقة داخل كل سؤال ويؤثر سلبًا على نتيجة التصويت.

لذا، تم اقتراح نموذج جديد يعرف بالتصويت المعتمد على الاسترجاع (Retrieval-Grounded Voting - RGV). يرى هذا النموذج أن الضرورة تكمن في قياس درجة تداخل الكلمات بين الإجابة النهائية والمستندات المسترجعة، مما يقلل من تأثير تراكم المعلومات الملوثة.

تصدرت نتائج RGV الأداء في أربع اختبارات بحثية وخمسة نماذج لغة ضخمة، محققة زيادات دقة تتراوح بين 5.4% و35% في الأسئلة التي تضم إجابات صحيحة نادرة، حيث يظهر الجواب الصحيح في 1-2 من 8 نتائج.

إن هذا التطور ليس فقط خطوة هامة نحو تحسين أداء الذكاء الاصطناعي في البحث، بل يفتح المجال لتطبيقات جديدة وثورية في هذا المجال. ما هي برأيك الإبداعات المستقبلية التي قد تنجم عن هذه التحسينات؟ شاركونا آراءكم في التعليقات!