في عالم الذكاء الاصطناعي، تلعب نماذج اللغات الضخمة (Large Language Models) دوراً مهماً في إنتاج نصوص دقيقة ومفيدة. لكن، هل تساءلت يومًا لماذا تقدم هذه النماذج إجابات متناقضة أحيانًا على نفس السؤال؟ دراسة جديدة تسلط الضوء على هذا الأمر من خلال تحليل كيف أن الإطارات المختلفة - سواء كانت داعمة أو سلبية - تؤثر على استجابات هذه النماذج.

بناءً على بروتوكول الإطار الثنائي الذي تم تقديمه، تم استخدام تحفيزات متباينة قليلاً تتضمن إطارًا داعمًا وآخر سلبيًا مع الحفاظ على الهدف التقييمي ثابتًا. بما أن كل إطار يؤدي إلى تمثيلات داخلية مختلفة، فقد تمت إضافة رمز خاص غير مدرب، [STATE]، لفحص التفاعلات الداخلية.

تظهر النتائج أن الإطارات المختلفة تُنتج تفعيلًا منفصلاً لهذا الرمز [STATE] يتركز في الطبقات الوسطى من النماذج، مما يقدم أدلة تدخلاً مهمة على أن هذه التفاعلات مرتبطة سلوكيًا بالإجابات. من خلال تبديل هذه التفاعلات بين الإطارات، لوحظ أن التنبؤات تتغير وتتحسن الاتفاقية عبر الإطارات.

إلى جانب ذلك، تم العثور على استجابات الطبقات مستندة إلى الفروقات المتوسطة تحمل خصائص أكثر تقييدًا مقارنة بإضافات التحفيز المتضادة في هذه البروتوكولات.

في النهاية، تبرز هذه الدراسة كيفية تقديم نفس السؤال بصيغ مختلفة قد يؤدي إلى نتائج متفاوتة، مما يستدعي إعادة التفكير في كيفية استغلال نماذج الذكاء الاصطناعي في تطبيقات متعددة.