في عالم الذكاء الاصطناعي، غالبًا ما تواجه نماذج اللغة الكبيرة (Large Language Models) صعوبة في التعامل مع الخيارات المتعددة التي تستدعي دمج أحكام ذرية تحت مشغلين منطقيين محددين، حتى عند إصدار الأحكام الصحيحة على العناصر الفردية. لذلك، قمنا بدراسة خيارات مركبة مرتبطة باستخدام مشغلات منطقيّة مثل AND، OR، وNEITHER/NOR.

يقدم الإطار الذي قمنا بتطويره طريقة مبتكرة لتفكيك كل خيار إلى إجابات ذرية مستقلة، وابتكار فرضيات متعارضة حول كل منها، مما يضمن أن النموذج لا يتعامل مع خيار مركب في ذات الوقت. بعد ذلك، يقوم برنامج برمجي يعتمد على برمجة الخطط اللائحية الصحيحة بتأليف النScores المعدلة في التوقع النهائي.

لقد قمنا بتقييم إطارنا الجديد على مجموعة بيانات LOGICAL-COMMONSENSEQA وقدمنا LOGICAL-SATA، وهو معيار لفهم القراءة مستمد من SATA-Bench. نتائجنا تعكس تحسنًا رائعًا في الأداء، حيث ارتفعت قيمة Macro-F1 من 48.3 إلى 77.0 في تقسيم LOGICAL-COMMONSENSEQA المعتمد على تقييم بشري، ومن 47.0 إلى 75.6 في LOGICAL-SATA، مع تحقيق أكبر المكاسب في الفئات NEITHER/NOR.

هذا التطور يحمل في طياته وعدًا كبيرًا من حيث تحسين قدرة نماذج الذكاء الاصطناعي على أداء المهام المعقدة، وفتح آفاق جديدة للتطبيقات العملية في مجالات متنوعة. كيف ترى تأثير هذه التقنيات الجديدة على مستقبل الذكاء الاصطناعي؟ شاركونا آرائكم في التعليقات!