تعتبر نماذج اللغات الضخمة (Large Language Models) من أبرز الابتكارات في مجالات الذكاء الاصطناعي، لكن لا تزال تواجه تحديات تتعلق بالأخطاء الواقعية التي تؤثر على ثقة المستخدمين، خاصة في التطبيقات عالية المخاطر. للتغلب على هذه المشكلة، تم اقتراح استراتيجيات متعددة، أحدها هو تزويد النماذج بآليات تقدير عدم اليقين، حيث تُفضل هذه النماذج الامتناع عن تقديم معلومات عندما تكون الثقة منخفضة. ومع ذلك، تعاني هذه الاستراتيجيات من قصور حيث تعتمد على منهجية ثنائية 'الكل أو لا شيء' في إعدادات النصوص الطويلة، مما يؤدي في كثير من الأحيان إلى تجاهل معلومات قيمة.

لذا، يقدم البحث الجديد مفهوم 'الاختزال الانتقائي' (Selective Abstraction)، وهو إطار عمل يسمح لنماذج اللغات الضخمة بالتوازن بين الدقة والموثوقية. من خلال هذه الاستراتيجية، يمكن للنماذج تقليل التفاصيل المتعلقة بالمحتوى غير المؤكد والاعتماد على معلومات أكثر موثوقية. يتم تنفيذ هذا المفهوم عبر طريقة تُعرف بـ 'الاختزال الانتقائي على مستوى الذرات' (Atom-wise Selective Abstraction)، حيث يتم تقسيم الاستجابات إلى ادعاءات ذرية (Atomic Claims) - وهي عبارات قصيرة تعبر عن حقائق فردية - واستبدال الذرات غير المؤكدة بعبارات أقل تحديدًا وأكثر موثوقية.

لتقييم فعالية هذا الإطار، تم تطوير خط أنابيب مبتكر للتوليد المفتوح يقوم بتطبيق مخاطر التحقق الواقعي وقياس مدى تغطية المعلومات باستخدام مقياس معلوماتي لقياس المعلومات المحتفظ بها. أظهرت النتائج في ستة نماذج مفتوحة المصدر أن 'الاختزال الانتقائي على مستوى الذرات' يتفوق باستمرار على الأساليب التقليدية، حيث زاد التحسين في دقة الاستنتاجات بنسبة تصل إلى 27.73%، مما يدل على أن تقليل التفاصيل يمكن أن يعزز الدقة والثقة دون فقدان المعنى الأصلي.

في عصر المعلومات السريعة، تُعد هذه الابتكارات خطوة هامة نحو تعزيز موثوقية الذكاء الاصطناعي وضمان تصورات صحيحة وموثوقة.