تعتبر نماذج اللغة الحديثة (Language Models) من الأدوات القوية التي تُستخدم في إنجاز المهام المتعددة، ولكنها تعاني من مشكلة رئيسية في التعامل مع الغموض في نوايا المستخدمين. في دراسة جديدة نُشرت على موقع arXiv، تم تسليط الضوء على مفهوم "تحقيق التوافق في المهام"، أي القدرة على فهم ما يريده المستخدم بدقة قبل تنفيذ أي طلب.

النموذج المقدم يعتمد على بيئات تخطيط متغيرة (POMDP)، حيث يتعين على النماذج أن تستنتج المهمة الصحيحة من نوايا جزئية ومتغيرة. وقد أظهرت التجارب أن المستخدمين أثناء التسوق أو البرمجة أو العمل المهني قد لا يقدمون دائمًا أهدافًا واضحة، مما يجعل مهمة النماذج أكثر تعقيدًا.

أظهرت الدراسة أن النماذج الحالية تحقق نجاحًا متوسطًا يتراوح بين 22% إلى 32% في التعرف على النوايا الحقيقية للمستخدمين في حالات الغموض، بينما كان البشر قادرين على تحقيق معدل دقة يصل إلى 48%. الجهود لتحسين تلك النماذج، مثل التعليم المتقن (Supervised Fine-tuning) والتعلم المعزز (Reinforcement Learning)، قد تحسن الأداء، لكنها لا تزال تعاني من نقص في التفاعل الفعّال مع المستخدم.

باختصار، هذه النتائج تشير إلى أن نماذج الذكاء الاصطناعي بحاجة ماسة إلى تطوير قدرات التفاعل الخاصة بها لتكون أكثر قدرة على التعاطي مع الواقع المعقد واحتياجات المستخدمين المتغيرة.