«ديبو» يعالج الهلوسة في نماذج الرؤية واللغة بتفكيك التدرجات الخفية وانهيار المكافأة

تعتمد هندسة النماذج اللغوية البصرية متعددة الوسائط على التعلم بالتعزيز لترقية قدرات الاستدلال، غير أن أثر هذه التقنيات في كبح الهلوسة ظل متفاوتا وغير منضبط. كشفت ورقة بحثية حديثة نُشرت عبر منصة أرخايف عن مكمنين للخلل في سلسلة التصحيح الممتدة من حساب المكافأة حتى تحديث الأوزان، مقترحة إطارا تدريبيا جديدا يحمل اسم ديبو لمعالجة أزمة توليد الإجابات الزائفة التي تصدرها النماذج بيقين زائف.

تظهر العقبة الأولى على مستوى توليد العينات، حيث تؤدي الاستفسارات الصعبة ذات الإنتروبيا الدلالية العالية إلى إنتاج مجموعات عينات تشترك في الإخفاق التام. وفي خوارزميات مثل تحسين السياسات النسبية للمجموعات المعروفة باسم جي آر بي أو، يتلاشى الفارق النسبي للمكافأة ليصبح صفرا تماما حين تكون جميع المخرجات خاطئة، وهو ما يسقط إشارة التوجيه في أكثر الحالات حاجة للتدخل. انهيار التباين عند ذروة الخطأ يعطل التحديث، فتفقد الخوارزمية قدرتها على تفضيل مسار على آخر طالما تساوت العينات في الفشل.

أما العقبة الثانية فتبرز داخل خوارزميات التحسين الرياضي للتدرجات، إذ تتحول الرموز التي يصيغها النموذج بثقة مفرطة وهي مغلوطة إلى عناصر غير مرئية لتدرج الدالة. ومع ازدياد حدة التوزيع الاحتمالي للسياسة، يتضاءل معيار التدرج المتوقع، مما يجعل التوقعات الأكثر خطأ تحظى بأضعف تصحيح برمجي. ولتدارك هذا الانقطاع، يقدم الباحثون إطار ديبو كحل مرحلي مزدوج يدمج تنظيم تباين الإشارة مع تهيئة مسبقة للتدرجات، عبر بادئات متخصصة تتدخل عند رصد إنتروبيا دلالية مرتفعة لضخ مسارات موثوقة تعيد لتباين المكافأة فاعليته، بالتوازي مع تهيئة ريني للتدرجات المعتمدة على إشارة الأفضلية لمعادلة تشبع القيم وتوجيه التحديثات نحو الأخطاء الواثقة.

أثبتت التجارب تفوق الإطار الجديد على خوارزمية جي آر بي أو، محققا قفزة ذات دلالة إحصائية على معيار فيديو إم إم إم يو المخصص لاختبار الاستدلال طويل المدى في المقاطع المصورة بزيادة قدرها أربع نقاط كاملة، مع تحسينات تراكمية في بقية الاختبارات دون الإضرار باستقرار التدريب أو الدقة العامة. وأرى في هذا الطرح تحولا جوهريا ينقل مكافحة الهلوسة من مرحلة تنقية البيانات السطحية إلى هندسة التدرجات الرياضية داخل أعماق النموذج.

هذا التحول يفرض حسابات جديدة على الفرق التقنية ومختبرات البحث والتطوير في الخليج ومصر والشام، ولا سيما المؤسسات التي تدرب نماذج مفتوحة المصدر لمعالجة المستندات والتحليل البصري المعقد لقطاعات حيوية كالتمويل والرعاية الصحية. إذا كنت تشرف على خطوط ضبط النماذج بالتعلم بالتعزيز، فإن استيعاب هذه الثغرات يحميك من إهدار الموارد الحسابية في تدريبات تتلاشى إشاراتها عند معالجة المهام المركبة، ويمنحك فهما رياضيا لكيفية ملاحقة الأخطاء التي يصر النموذج على صحتها.