ستساعدك المقالة التالية: استخدام مناظرة متعددة الوكلاء لتحسين التفكير المنطقي ودقة الحقائق لنماذج اللغة الكبيرة (LLMs)
في الآونة الأخيرة ، نجحت نماذج اللغات الكبيرة في جذب انتباه الجميع من خلال قدراتها المتقدمة. يتم استخدام LLM مع بعض قدرات الإنتاج والفهم اللغوية المتميزة ، مثل OpenAI’s GPT-3.5 ، وأحدث GPT 4 متعدد الوسائط ، وما إلى ذلك ، بشكل كبير من قبل الصناعات. يعد توليد ردود ذات مغزى على الأسئلة ، وتلخيص المطالبات النصية ، وترجمة اللغات ، وتحويل النص إلى نص بعضًا من حالات الاستخدام.
تتمتع LLM بقدرة فعالة على إنتاج نص متماسك ، وفهم المطالبات والاستجابة لها ، وحتى التعلم من عدد صغير من الحالات ، تسمى التعلم قليل اللقطات. باستخدام القليل من التعلم ، تستخدم LLM المعلومات الخاضعة للإشراف لتصنيف البيانات الجديدة من خلال عدد قليل من عينات التدريب. نظرًا لأن LLM لديها مجال للتحسين ، في ورقة بحثية حديثة ، اقترح فريق من MIT وباحثي Google Brain نهجًا تكميليًا يعتمد على “ مناقشة متعددة الوكلاء ” لتعزيز جودة الاستجابات اللغوية الناتجة عن LLM.
قدم الفريق آلية تشارك فيها أمثلة عديدة من LLM في اقتراح ومناقشة استجاباتهم الفريدة وعمليات الاستدلال عبر عدة جولات ، على عكس الاعتماد فقط على مثيل نموذج واحد. الهدف هو الوصول إلى إجابة نهائية تمت مراجعتها بعناية وتحسينها من خلال جهد تعاوني. تستخدم هذه الطريقة التكميلية لتعزيز الإجابات اللغوية نهج “مجتمع العقول” ، المستوحى من فكرة أن الذكاء الجماعي للعقول المتعددة التي تعمل معًا يمكن أن يؤدي إلى تحسين الأداء وتحقيق نتائج أكثر دقة.
يتضمن هذا النهج عددًا من النماذج أو الوكلاء ، يتم طرح نفس السؤال عليهم جميعًا في البداية. من خلال تمكين هذه النماذج من تقييم ومراجعة إجراءاتها بشكل متكرر في ضوء ردود الوكلاء الآخرين ، فإن الهدف هو تحسين أداء هذه النماذج. تم استخدام “النقاش متعدد الوكلاء” المستخدم في هذه الطريقة لتحسين التفكير الاستنتاجي والدقة الواقعية لنماذج اللغة من أجل استخدام المناقشة بين العديد من أمثلة نماذج اللغة للوصول إلى نتيجة أفضل على الاستجابة.
لاحظ الفريق تحسينات كبيرة في الاستدلال الرياضي والاستراتيجي باستخدام نهج “مجتمع العقول” ، مما يوضح كيف يؤدي الذكاء الجماعي لحالات LLM المتعددة إلى تحسين الأداء. كما تتناول الطريقة المقترحة تشكيل استنتاجات خاطئة وهلوسة ، وهي نقطة ضعف معروفة في النماذج الحديثة. اكتشف الفريق أن طريقتهم تقلل من احتمالية حدوث مثل هذه الأخطاء وتزيد من القيمة الواقعية للمحتوى الناتج.
تعد قابلية هذا النهج للتكيف إحدى فوائده ، حيث يمكن استخدامه مع الصندوق الأسود LLMs الموجود بالفعل دون الحاجة إلى تغييرات كبيرة. تتبع جميع المهام التي تم فحصها نفس العملية ، مع نفس المطالبات ، مما يضمن الاتساق وبساطة الاستخدام. عند التقييم ، لاحظ الفريق أن زيادة عدد الوكلاء في النقاش متعدد الوكلاء أو زيادة عدد جولات النقاش يحسن أداء النماذج. لقد وجد أيضًا أن النقاش متعدد الوكلاء يمكن أن يمكّن حالتين مختلفتين من نماذج اللغة ، مثل ChatGPT و Bard ، لحل مهمة بشكل تعاوني لا يستطيعان حلها بشكل فردي.
في الختام ، فإن استراتيجية “مجتمع العقول” لديها القدرة على تحسين أداء ماجستير اللغة بشكل كبير ، وخلق فرص جديدة للتقدم في إنشاء اللغة وفهمها. باستخدام هذه الطريقة ، يمكن أن توفر LLM استجابات أكثر دقة ويمكن الاعتماد عليها ، ولديها مهارات تفكير أعلى ، وتقليل الأخطاء التي توجد بشكل متكرر في النماذج اللغوية.
