في عالم الذكاء الاصطناعي، تبرز الحاجة إلى تمكين نماذج اللغات الضخمة (Large Language Models - LLMs) من مواجهة التحديات المتزايدة في البيئات الغير مألوفة. أظهرت الأبحاث أن هذه النماذج يمكن أن تحقق أداءً متميزًا في المهام خارج التوزيع (Out-of-Distribution - OOD)، لكن تلك المزايا تتآكل عندما يتفاقم التحول في التوزيع. لذا، يهدف الباحثون إلى استرجاع أمثلة ذات توزيع مشابه ومعلوماتي من المجال المصدر المتاح لتعزيز قدرات الاستدلال لدينا.

يعد الوصول إلى المجال المستهدف أمرًا صعبًا، مما يؤثر سلبًا على الجودة العامة للأمثلة المسترجعة. لمواجهة هذه التحديات، قمنا بتقديم إطار عمل جديد يُعرف باسم DOPA، الذي يعتمد على استخدام بروكسيات خارجية (OOD proxy) لتقريب المجال المستهدف الذي يصعب الوصول إليه وتوجيه عملية الاسترجاع.

ويأتي الابتكار مع إدخال قيد التنوع العالمي المستند إلى مسافة Mahalanobis، لضمان تنوع كافٍ بين الأمثلة المسترجعة. تشير النتائج التجريبية على عدة نماذج لغوية ومهام إلى أن DOPA يساهم بشكل فعّال في تعزيز القوة والموثوقية في إعدادات OOD. يبدو أن هذا الإطار الجديد يُحدث ثورة في كيفية تعاطينا مع مشكلات الاستدلال، مُشهراً في نفس الوقت إلى إمكانيات المستقبل المشرق للذكاء الاصطناعي.