تعتبر نماذج اللغة والرؤية الكبرى (Large Vision-Language Models - LVLMs) من أبرز التطورات في عالم الذكاء الاصطناعي، ولكنها تعاني بشكل متكرر من ظاهرة تخبط المعلومات أو ما يعرف بـ **الهلاوس** (hallucinations). إن التحسينات التكنولوجية الأخيرة في هذا المجال تتطلب أساليب جديدة وفعالة لمعالجة هذه التحديات.
الابتكار الجديد: AVES-DPO
تم الكشف عن إطار عمل مبتكر يعرف بـ **Alignment via VErified Self-correction DPO (AVES-DPO)**، والذي يهدف إلى تصحيح الأخطاء بشكل ذاتي في نماذج LVLMs. يعتمد هذا الإطار على البيانات المتوافقة مع توزيع النموذج، مما يسهم في تحسين دقة العمليات وتقليل الفجوات بين نماذج التعلم.
كيف يعمل AVES-DPO؟
يعتمد AVES-DPO على آلية للتحقق قائمة على التوافق للتشخيص الدقيق لمجموعة متنوعة من الهلاوس. ويوجه النموذج لتصحيح نفسه، مما يسمح له بإنشاء أزواج مفضلة تتلاءم بشكل صارم مع التوزيع الداخلي للنموذج. من خلال تجارب واسعة، أثبت AVES-DPO قدرته على التفوق على النماذج الأساسية السابقة في تقليل الهلاوس، مع الحاجة إلى كمية قليلة من البيانات تصل إلى 5.2 ألف عينة فقط.
مستقبل الذكاء الاصطناعي
تبدو هذه التقنيات الجديدة واعدة لمستقبل الذكاء الاصطناعي. كيف تعتقد أن هذه الابتكارات ستغير من تعاملنا مع أنظمة الذكاء الاصطناعي في السنوات القادمة؟