في عالم الذكاء الاصطناعي، تُعتبر نماذج اللغة الضخمة (Large Language Models - LLMs) من أبرز الابتكارات التي حققت إنجازات مدهشة. ومع ذلك، لا تزال بعض العوائق تواجهها بسبب الطبيعة العشوائية لعملياتها الاستدلالية، مما يؤدي إلى نتائج غير متسقة. لتجاوز هذه العقبات، استُخدمت تقنيات مثل تصويت الأغلبية أو أفضل النتائج مع مدققين خارجيين، إلا أن هذه الحلول تواجه قيوداً في التطبيق أو تتطلب تدريباً إضافياً.

اليوم، نطرح إطاراً جديداً يُعرف باسم "ReFeri"، الذي يعتمد على إعادة استخدام الأمثلة القليلة للتحقق من مخرجات نماذج اللغة الضخمة. الفكرة الأساسية هنا هي استغلال هذه الأمثلة ليس فقط لتوليد المخرجات بل ولتقييمها أيضاً.

يتميز ReFeri بقدرته على دمج درجة الثقة الأمامية مع عقوبة إعادة البناء للخلف، مما يساعد على اختيار المرشحين الذين يتبعون توجيه الأمثلة القليلة ويتجنبون الإفراط في التركيز على نماذج معينة.

أظهرت التجارب التي أجريت على ثلاثة نماذج LLM مختلفة عبر سبع مهام متنوعة زيادة ملحوظة في دقة النتائج، حيث حقق الإطار الجديد زيادة نسبتها 8.2% في المتوسط. هذا التطور يمثل خطوة كبيرة نحو تعزيز موثوقية نماذج الذكاء الاصطناعي ويسجل إنجازاً جديداً في عالم الأبحاث.

ما رأيكم في هذا التطور؟ شاركونا في التعليقات.