في عالم الذكاء الاصطناعي المتزايد التعقيد، تشهد نماذج اللغة الكبرى (Large Language Models) طلبًا متصاعدًا في المجالات التي تتطلب موثوقية عالية. لكن، ما بين عدم اليقين الناتج عن مخرجات النموذج مثل احتمالات الرموز (Token Probabilities) والانبعاث الذاتي (Self-Consistency)، يبرز تحدي كيفية ضمان جودة النتائج عند مواجهة تغيرات ديناميكية في البيانات.

تقدم ورقة بحثية جديدة إطارًا يلبي هذه الحاجة عن طريق استغلال التمثيلات الداخلية للنموذج بدلاً من الاعتماد فقط على الإحصاءات الظاهرة. وتطرح الورقة مفهوم درجات معلومات الطبقات (Layer-Wise Information - LI)، التي تقيس كيفية تأثير إدخال المدخلات على تباين التوقعات على مختلف مستويات النموذج. هذا النهج الجديد يتم دمجه في عملية مطابقة تقليدية، مما يتيح تحسينًا ملحوظًا في موثوقية النتائج.

عند اختبار هذه الطريقة على معايير الإجابة على الأسئلة ذات النهاية المغلقة وفتح المجال، أثبتت النتائج أنها تتفوق على الطرق التقليدية بنسبة كبيرة، خاصةً في التحولات بين المجالات المتنوعة، مع الحفاظ على مستوى موثوقية قوي ضمن النطاق الخاص.