في عالم الذكاء الاصطناعي المتقدم، تُعتبر نماذج اللغة الضخمة (LLMs) حجر الزاوية الحقيقي للكثير من التطبيقات. ولكن مع تزايد الفائدة التي تقدمها، يرتفع أيضًا خطر الاستغلال غير المصرح به لهذه التقنيات الفائقة. من هنا تأتي أهمية تقنيات إطفاء المعرفة، التي تُستخدم لنقل قدرات النماذج الكبيرة إلى نماذج أصغر وأكثر كفاءة. ومع ذلك، فإن هناك قلقًا مشروعًا بشأن الاستخدام غير العادل للجهود الكبيرة المبذولة في تطوير النماذج الرائدة.

أجرى الباحثون دراسة جديدة تسلط الضوء على طرق مبتكرة لتعديل آثار الاستدلال التي تُنتجها النماذج الأكبر، بهدف تحقيق هدفين رئيسيين: الأول هو "مكافحة الاستدلال"، وهو تقليل فعالية استجابة الاستعلامات للتدريب، والثاني هو "علامة مائية لواجهة برمجة التطبيقات" (API watermarking)، والتي تتضمن توقيعات يمكن التحقق منها في النماذج الطلابية.

توصل الباحثون إلى عدة أساليب لإعادة كتابة مخرجات الاستدلال مع الحفاظ على صحة الإجابات وتماسك المعاني. تتمثل اثنان من هذه الاستراتيجيات في الاستفادة من قدرات إعادة الكتابة لنماذج اللغة الضخمة، بينما تعتمد الأخرى على تقنيات قائمة على التدرجات. أظهرت التجارب أن أسلوب إعادة الكتابة القائم على التعليمات البسيطة حقق تأثيرًا قويًا في مكافحة الاستدلال، مع الحفاظ على أداء المعلم أو حتى تحسينه.

علاوة على ذلك، نجح الباحثون في تضمين علامات مائية يمكن اكتشافها بشكل موثوق مع عدم وجود إنذارات كاذبة تذكر. لمزيد من التفاصيل، يمكن الوصول إلى كود البحث عبر الرابط [GitHub](https://github.com/xhOwenMa/trace-rewriting).