Hallucination Self-Play: نموذج لغوي صغير يتفوق على نماذج LLM الكبيرة في اكتشاف الهلوسة

نشرت مجموعة بحثية في يوليو 2026 على arXiv نسخة أولية (preprint) تصف إطار Hallucination Self-Play (HSP)، وهو نظام يقوم على التدريب المتبادل بين كاشف الهلوسة ومولّدها. وعلى معيار RAGTruth، عادل نموذج لغوي صغير أنهى دورة HSP أداء نماذج LLM متقدمة أو تفوّق عليها، دون أي سطر من الوسم الخارجي.

لماذا يصعب اكتشاف الهلوسة

تتمثل المشكلة الرئيسية في تدريب كواشف الهلوسة في النقص الحاد في البيانات الموسومة عالية الجودة. تستعين المقاربات الحالية بنماذج لغوية كبيرة لإنشاء أمثلة التدريب تلقائيًا: عبارات مهلوسة، وتصنيفات للموثوقية، وتفسيرات. ويقلّل ذلك الاعتماد على العمل اليدوي، لكنه يفرض قيدًا آخر: يبقى المولّد أداة ثابتة.

تُنشأ البيانات مرة واحدة ولا تُحدَّث بعد ذلك، مهما كثرت أخطاء الكاشف. ولا تصبح الهلوسات في مجموعة التدريب أكثر دهاءً مع تحسّن النموذج. وهذا بالتحديد ما يعالجه HSP.

كيف تعمل آلية اللعب الذاتي

يُهيّأ الطرفان، الكاشف والمولّد، من نموذج أساسي واحد. وهذا أمر جوهري: فالبدء من مواقع متساوية يجعل المولّد قادرًا منذ البداية على إنتاج أمثلة تستطيع فعلًا «خداع» الكاشف.

يعمل الإطار على ثلاث مراحل:

• المرحلة 1. يُضبط الكاشف على مجموعة صغيرة موسومة بشريًا، ويتعلم تقييم مدى مطابقة إجابة النموذج للسياق الواقعي (faithfulness).
• المرحلة 2. يتحول الكاشف المدرَّب إلى نموذج مكافأة. ويتدرب المولّد عبر RLAIF (Reinforcement Learning from AI Feedback، أي التعلم المعزز من تغذية راجعة من الذكاء الاصطناعي)، ومهمته إنشاء هلوسات لا يتعرف عليها الكاشف. وكلما كانت الهلوسة أكثر إقناعًا، ارتفعت المكافأة.
• المرحلة 3. يُنتج المولّد المتطور أمثلة تدريب جديدة أصعب، يُضبط الكاشف عليها عبر rule-based RL. وتتكرر الدورة.

تنشأ بذلك «سباق تسلح»: يجعل المولّد الهلوسات أقل قابلية للرصد، فيزداد الكاشف دقة ردًّا على ذلك.

ماذا أظهرت التجارب

اختبر المؤلفون HSP على معيار RAGTruth، المصمَّم لتقييم موثوقية الإجابات في أنظمة التوليد المعزَّز بالاسترجاع (RAG). وأُجري الاختبار على عائلتين من النماذج اللغوية.

• الطريقة: Hallucination Self-Play (HSP)، نسخة أولية على arXiv، يوليو 2026
• المعيار: RAGTruth (موثوقية الإجابات في أنظمة RAG)
• يُهيَّأ الدوران من نموذج أساسي واحد
• التحسّن عبر اللعب الذاتي يتم دون أي وسم خارجي إطلاقًا
• الشيفرة متاحة في مستودع مجهول على GitHub (قيد المراجعة)

النتيجة الرئيسية: النموذج اللغوي الصغير المدرَّب وفق مخطط HSP يبلغ مستوى نماذج LLM الكبيرة أو يتفوق عليها في مهمة اكتشاف الهلوسة. ويؤكد المؤلفون بوجه خاص أن مرحلة اللعب الذاتي لا تتطلب أي تدريب خارجي إضافي، إذ يتحقق مكسب الجودة حصرًا بفضل التطور المتبادل بين الكاشف والمولّد.

ماذا يعني ذلك

يقدّم HSP إجابة عملية عن أحد أكثر الأسئلة إيلامًا عند نشر LLM في بيئات الإنتاج: كيف نضبط الهلوسة دون وسم يدوي لا ينتهي. وإذا تأكدت النتائج عند إعادة إنتاجها بصورة مستقلة، فقد تصبح الطريقة مكوّنًا قياسيًا في خط معالجة أنظمة RAG، خصوصًا حيث يكون ثمن الخطأ الواقعي مرتفعًا: الطب والقانون والتحليل المالي.