أصدرت دراسة جديدة تحت عنوان "استعادة القوة: معالجة مشكلات الناتج الوظيفي في نماذج اللغات الضخمة"، والتي تتناول التحديات التي تواجهها نماذج اللغات الضخمة (Large Language Models) عند استخدامها في بيئات ديناميكية تتغير فيها واجهات الأدوات بشكل مستمر.

تعتمد نماذج اللغات الضخمة المعززة بالأدوات على معلومات واجهة محددة، مثل أوصاف الأدوات وبنى المعاملات والقائمة المحتملة للأدوات المتاحة أثناء وقت الاستدلال. ومع ذلك، قد تتغير هذه الواجهات بعد نشر النموذج، حتى لو ظلت معاني الأدوات ثابتة، مما يسبب مشكلة موثوقية عملية لأنظمة استدعاء الوظائف.

تسلط الدراسة الضوء على هذا الوضع على أنه "انحراف الواجهات" وتبحث في إمكانية استخدام طبقة إصلاح خفيفة الوزن وغير متطلبة للتدريب لاستعادة موثوقية النماذج دون الحاجة لإعادة تدريب النموذج الأساسي. قدمت الأداة "SchemaShield-Lite" حلاً مبتكرًا يجمع بين التحقق من البنية، والمحاولة مرة أخرى في مجموعة المرشحين للأدوات المفقودة، وإصلاح مقيد فوري.

وتمثل النتائج التي توصلت إليها الدراسة ذوبانًا دراماتيكيًا في أداء النموذج؛ حيث ارتفعت دقة DICE-300 من 0.717 إلى 0.813 ودقة BFCL-200 من 0.580 إلى 0.805، مما أدى إلى استعادة 19 من 22 فشلاً ناتجًا عن الانحراف و33 من 45 فشلاً آخر، مع عدم ملاحظة أي أضرار نتجت عن الإصلاح.

تظهر هذه النتائج أهمية التحقق والإصلاح كطبقة موثوقة للقدرة على استخدام الأدوات في نماذج اللغات الضخمة المُعتمدة، مما يفتح آفاقاً جديدة لتحسين الأداء رغم التغيرات المفاجئة في واجهات المستخدم.