لماذا تفسد النماذج اللغوية بنية المستندات عندما تُوكِل إليها مهمة التحرير

يبدو تحرير المستندات بمساعدة نموذج لغوي حلًّا بديهيًا: تلصق النص، وتعطي التعليمات، وتحصل على النتيجة دون ساعات من العمل اليدوي. لكن الواقع مختلف، إذ يتبيّن في كثير من الأحيان أن المستند المُعاد يختلف عن الأصل: عناوين منزاحة، وفقرات مفقودة، وأجزاء أُعيدت صياغتها لم يطلب أحد المساس بها. وبدلًا من التحرير، تحدث عملية تدهور خفية في البنية.

التوليد مقابل التحرير

يكمن التناقض الجوهري في بنية المحوّلات (Transformers) نفسها. فالنماذج اللغوية مدرَّبة على التنبؤ بالرمز (token) التالي استنادًا إلى السياق، وهي لا «تحرّر» بالمعنى الذي يفعله معالج النصوص. وعندما يتلقى النموذج تعليمة «صحّح القواعد النحوية في القسم الثالث»، فإنه لا يطبّق قاعدة موضعية على أسطر بعينها، بل يولّد ما يراه الصيغة المحدَّثة للنص بأكمله.

إن الحدّ الفاصل في عبارة «حرّر هذا الجزء فقط» ضبابي بالنسبة إلى النموذج اللغوي الكبير من حيث المبدأ: فهو يقيّم السياق كاملًا ويولّد نسخة جديدة، ولا يطبّق تعديلات ذرّية. ويظهر ذلك بوضوح خاص في المستندات الكبيرة، فكلما زاد حجم «المادة» ازداد الانحراف عن الأصل.

ظاهرة «الضياع في المنتصف»

حتى النماذج ذات نافذة السياق البالغة 200k رمز تواجه مشكلات بنيوية مع المستندات الطويلة. فقد رصدت الدراسات بصورة متكررة تأثير «lost in the middle»: تحتفظ النماذج جيدًا بالمعلومات الواردة في بداية السياق ونهايته، لكنها تفقد بصورة منهجية التفاصيل الواقعة في منتصفه. وكلما طال المستند، اشتد هذا التأثير.

وهذا يعني، في الملفات الواقعية، أن العناصر البنيوية في الأقسام الوسطى هي الأكثر عرضة للتشوّه. ومن أبرز الضحايا:

• القوائم المتداخلة: تُسطَّح مستويات التداخل إلى مستوى واحد
• الجداول: تفقد محاذاة الأعمدة أو تُحوَّل إلى نص سردي
• الإحالات المتقاطعة: تتحول إلى نص عادي بلا روابط مرجعية
• YAML-frontmatter والوسوم المخصصة: تُحذف باعتبارها «حشوًا زائدًا»
• ترقيم الأقسام: يختل بعد أي إضافة أو حذف للمحتوى

التنسيق بوصفه رموزًا بلا دلالة

يرى النموذج Markdown وHTML وLaTeX كلها كرموز عادية، لا كصياغة نحوية ذات قواعد. فرمز `##` يعني للشبكة العصبية مجرد علامتي مربّع، لا «عنوانًا من المستوى الثاني متسقًا مع جدول المحتويات». وتُستنسخ أنماط التنسيق بالقياس الإحصائي على بيانات التدريب، لا وفق قواعد نحوية صريحة.

والنتيجة متوقعة: مسافات بادئة غير متسقة، ومستويات عناوين مختلطة، وروابط مرجعية مكسورة، وتبديل عشوائي بين الصيغ في المستند الواحد. كل خلل من هذه الاختلالات لا يكاد يُلاحَظ بمفرده، لكنها مجتمعةً تجعل المستند غير صالح للمعالجة الآلية أو للنشر.

«النموذج لا يفهم مستندك، بل يفهم توزيع احتمالات الرمز التالي في سياقه».

تنافس التعليمات والأنماط

ثمة عامل إضافي هو التنافس بين تعليمات المستخدم الصريحة والأنماط الإحصائية التي اكتسبها النموذج أثناء التدريب. فإذا غلب Markdown القياسي على بيانات التدريب، فسيميل النموذج إليه حتى مع وجود منع صريح. والقالب المؤسسي غير القياسي، والترميز الخاص بالمعايير التقنية، والأسلوب البنيوي الخاص بالمؤلف، كلها عرضة لـ«ذاكرة» مدوّنة التدريب.

إضافة إلى ذلك، «تتلاشى» التعليمات الطويلة تدريجيًا أثناء التوليد. ففي نهاية المستند الكبير يضعف الانتباه إلى القيود الواردة في الموجّه (prompt) الأصلي، فيتفاقم الانجراف البنيوي.

ماذا يعني ذلك

الخلاصة العملية مباشرة: تتعامل النماذج اللغوية الكبيرة مع المهام الموضعية بصورة أفضل من تعاملها مع التحرير الشامل لمستند كامل في تمريرة واحدة. وفي الملفات المعقدة البنية، مثل المواصفات التقنية والعقود القانونية والأوراق الأكاديمية ذات الإحالات المتقاطعة، من الأجدى تقسيم المستند إلى أقسام منعزلة والعمل على كل قسم على حدة.

ويجب أن تكون التعليمات صريحة قدر الإمكان: «غيّر هذه الفقرة فقط ولا تمسّ الباقي». وبعد أي تحرير بواسطة نموذج لغوي كبير، لا بد من فحص صريح للعناصر البنيوية، فهي أول ما يتضرر.