في عالم الذكاء الاصطناعي، تعد نماذج اللغة الكبيرة (LLMs) بمثابة ثورة تقنية، حيث تستطيع العديد منها تحقيق أداء قوي في المهام البرمجية اليومية. لكن، عندما يتعلق الأمر بالمهام المعقدة التي تتطلب استنتاجات دقيقة عن دلالات البرامج، فإن هذه النماذج قد تواجه تحديات كبيرة.

مؤخراً، قام عدد من الباحثين بتطوير أسلوب مبتكر لتوليد بيانات تدريبية تعتمد على لعبة *التمييز الدلالي (Semantic Inequivalence Game)* أو ما يعرف اختصاراً بـ *SInQ*. يتضمن هذا الأسلوب وجود وكيل مولد يقوم بإنشاء نسخ من الأكواد البرمجية تختلف دلالتها وتعتمد على مجموعة بيانات من مهام برمجية حقيقية، بينما يتولى وكيل تقييم تحديد الأمثلة التي تتصرف سلوكياً بشكل مختلف.

تعمل هذه الوكلاء بشكل شبه تنافسي لتحسين مهاراتهم في فهم المنطق الكامن وراء الأكواد. وتم تقييم هذا الأسلوب الجديد على العديد من المعايير المتعلقة بتوليد وفهم الأكواد، منها الكشف عن الثغرات عبر اللغات (Lu et al., 2021)، حيث أظهر أسلوبنا تحسينًا في كشف الثغرات في الشفرة المكتوبة بلغة C/C++، على الرغم من تدريبها فقط على أكواد بايثون.

علاوة على ذلك، أظهرنا تقدمًا ملحوظًا في اختبار *تبديل المعرفات المدمجة في بايثون* (Miceli Barone et al., 2023)، حيث لا زالت نماذج اللغة الحديثة تواجه صعوبة في هذا الامتحان، لكن أسلوبنا استطاع تحقيق تحسينات كبيرة.

ولمزيد من تسهيل البحث، أطلقنا الكود اللازم لتكرار التجارب، بالإضافة إلى البيانات التركيبية التي يمكن استخدامها لتحسين نماذج اللغة الكبيرة (LLMs).

ما رأيكم في هذا التطور المثير؟ شاركونا في التعليقات!