شهدت نماذج اللغات الضخمة (LLMs) تطورًا مذهلاً، خاصة مع اعتمادها على هياكل مختلطة من الخبراء (MoE)، حيث استطاعت إنجاز مهام معالجة اللغة الطبيعية بكفاءة. ومع ذلك، فإن التحديات المعروفة مثل الهلاوس - أي إنتاج محتوى يبدو مقنعًا ولكنه غير دقيق - والانحيازات المنتظمة تظل قائمة. قدمت دراسة جديدة مفهوم 'وضع المجلس'، وهو إطار عمل مبتكر يعتمد على توافق الوكلاء المتعددين لمعالجة هذه التحديات.

العملية تتضمن ثلاث مراحل رئيسية:
1. تصنيف ذكي يحدد أسئلة الاستفسارات بناءً على تعقيدها،
2. توليد خبراء بشكل متوازي عبر نماذج ذات هياكل متنوعة،
3. توافق منظم يحدد الاتفاق والاختلاف والاكتشافات الفريدة قبل تقديم الاستجابة النهائية.

لقد أُجري تقييم شامل لهذا النظام ضمن بيئة ذكاء اصطناعي مفتوحة المصدر. وأظهرت النتائج تقليلاً بنسبة 35.9% في معدلات الهلاوس مقارنة بمعايير المعالجة، مع تحسين قدره 7.8 نقطة على معيار TruthfulQA مقارنةً بأفضل نموذج فردي متاح. كما تم الحفاظ على تقليل تباين الانحياز عبر المجالات المختلفة.

هذه الخطوة تعكس تحولًا جذريًا في كيفية تعاملنا مع الذكاء الاصطناعي، حيث تقدم آفاقًا جديدة لجعل التقنيات أكثر دقة وموثوقية. ما زلنا نشهد إثراء مجال أبحاث الذكاء الاصطناعي بطرق جديدة تزيد من الفائدة وتقلل من المخاطر المتعلقة بإنتاج المحتوى.