في السنوات الأخيرة، أصبحت نماذج اللغات الضخمة (LLMs) جزءًا لا يتجزأ من عالم الذكاء الاصطناعي، لكن هل يمكننا الوثوق بمنطقها؟ يكشف البحث الجديد عن ثغرات في التفكير المنطقي لنماذج اللغات، مشيرًا إلى أن استراتيجيات فك الشفرة التقليدية مثل الاستمرارية الذاتية (Self-Consistency) لا تستطيع اكتشاف الأخطاء في الجوانب المنطقية للعمليات الفكرية.

تثير هذه الحقائق ثلاثة أسئلة جوهرية: كيف يمكننا قياس عدم اليقين في تفكير نماذج اللغات بدقة؟ هل يمكن للوعي بالمعاني (semantic) والبنى (structural) والسببية (causal) أن يضمن نتائج أكثر موثوقية مقارنة بالتصويت بالأغلبية التقليدي؟ وما مدى قوة المنطق تحت الظروف العدائية؟

للإجابة على هذه الأسئلة، تم تقديم GRAPHEVAL، وهو إطار قائم على الرسوم البيانية يعيد صياغة قياس عدم اليقين كمسألة شاملة لموثوقية التفكير. كما تم اقتراح مقياس جديد يسمى درجة توافق تفكير الرسوم البيانية (Graph Reasoning Coherence Score) لقياس التوافق الدلالي والبنائي، مما يمكنه من اكتشاف الانهيارات النمطية والأوهام الواثقة.

أظهرت النتائج أن هذا المقياس هو الوحيد المرتبط سلبياً باستمرار بموثوقية التفكير عبر النماذج المختلفة. بالإضافة إلى ذلك، تم تقديم استراتيجية فك الشفرات القائمة على الرسوم البيانية (Graph Self-Consistency) التي تعزز موثوقية التفكير، مما يتيح كشف الأخطاء الناتجة عن الافتراضات العشوائية في النماذج الأصغر.

بينما تظهر التجارب أيضًا أن المسار المختار بواسطة GSC يعمل كمسار "محوري"، حيث يؤدي دفع النماذج بعيدًا عنه إلى تدهور الموثوقية ودقة النتائج.

بهذه الطريقة، يقدم هذا البحث سانحة جديدة لفهم كيفية تحسين دقة نماذج اللغات الضخمة من خلال تعزيز التفكير المنطقي وموثوقيته.

ما رأيكم في هذا التطور؟ شاركونا في التعليقات.