التدريب اللاحق خفّض الانحياز السياسي في Qwen من 84.6% إلى 15%

تخيّل خدمة سفر تترجم قائمة بالدول إلى الصينية. في النسخة الإنجليزية يكتب النموذج «Taiwan»، لكنه يضيف فجأة في النسخة الصينية كلمة «China». الشيفرة نفسها والنموذج نفسه، والمهمة تبدو روتينية، لكن التوطين لا يغيّر اللغة وحدها، بل يغيّر أيضاً الموقف السياسي في الإجابة.

هذا تحديداً هو الخطر الذي كشفته شركة Vals AI عندما قارنت نماذج صينية وأميركية ونماذج بلغات أخرى عبر مئات الأسئلة المتعلقة بالصين. غيّر الباحثون لغة الطلب ومكان الاستخدام المفترض وتنسيق الإجابة وتعليمات النظام. والنتيجة لا تهم الجدل السياسي بقدر ما تهم الفرق التي تطلق منتجات ذكاء اصطناعي دولية: لا يمكن تقييم سلوك النموذج بصورة موثوقة من خلال اختبار واحد باللغة الإنجليزية.

تبيّن أن اللغة جزء من التعليمات

عند استخدام الصينية المبسطة، وافقت غالبية النماذج المختبرة على مواقف بكين الرسمية بوتيرة أعلى مما فعلت عند استخدام الإنجليزية أو الروسية أو الإسبانية. وظهر هذا الأثر حتى لدى النماذج الأميركية، وإن كان أقوى بوضوح لدى النماذج الصينية. كما ظهر اختلاف بين الصينية المبسطة الشائعة في بر الصين الرئيسي والصينية التقليدية المستخدمة في تايوان وهونغ كونغ.

والتفسير المرجح بسيط: يتعامل النموذج مع اللغة بوصفها إشارة إلى هوية من يخاطبه وإلى نوع الإجابة المتوقعة منه. وأكدت تجربة منفصلة ذلك. فعندما ذكرت تعليمات النظام أن النموذج يعمل داخل شركة من بر الصين الرئيسي، قدّمت بعض النماذج إجابات أكثر ولاءً للحكومة مقارنة بسيناريو الاستخدام في الولايات المتحدة.

أثّر التنسيق أيضاً في النتيجة. فعندما طُلب من GLM-5.3 Flash وMiMo V2.6 Pro الإجابة بكلمة «نعم» أو «لا» فقط، انخفض الانحياز المقاس المؤيد للحكومة. كما غيّرت التعليمات الخاصة بوكيل برمجي، وحتى الإتاحة الشكلية للبحث على الويب، اتجاه الإجابات، مع أن النماذج لم تستدعِ الأدوات تقريباً. وهذا يعني أن الإطار المحيط بالمنتج قادر على تغيير السلوك قبل الحصول على أي بيانات خارجية.

الأمر يمس وظائف المنتجات العادية

في مهام العمل الواقعية، ظهر الانحياز السياسي بوتيرة أقل من ظهوره في الأسئلة المنتقاة خصيصاً. لكن بعض الأمثلة توضح كيف يتسلل إلى الواجهات. فعند ترجمة دليل للدول، أضاف Qwen3.8 Max توصيف «China» إلى تايوان. وفي مثال منشور، وصف مولّد صور استجاب لطلب باللغة الصينية تايوان بأنها مقاطعة، ورسم خط النقاط التسع المتنازع عليه في بحر الصين الجنوبي؛ ولم تظهر هذه العناصر في النسخة الإنجليزية.

بالنسبة إلى خدمة خرائط أو تطبيق سياحي أو قاعدة بيانات مؤسسية للدول، لم يعد ذلك نقاشاً تجريدياً. فقد تخالف مثل هذه الإجابة متطلبات السوق، أو تثير شكاوى المستخدمين، أو تنتقل إلى المستندات من دون مراجعة بشرية.

وهناك أيضاً نتيجة مشجعة. فقد كرر Thomson 1.0 Small، الذي خضع لتدريب لاحق بالاستناد إلى Qwen3.6 35B، المواقف الصينية الرسمية في 15% من الحالات، مقابل 84.6% للنموذج الأصلي. وهذا يعني أن السلوك ليس مثبتاً بصورة نهائية داخل البنية الأساسية، بل يمكن تغييره بدرجة كبيرة عبر البيانات والضبط. لكن المشكلة لم تختف تماماً، إذ واصلت بعض الإجابات بعد التدريب اللاحق تكرار موقف بكين.

لماذا لا ينبغي قراءة التصنيف حرفياً

تقيس منهجية Vals مدى التطابق مع مواقف حكومية محددة، لا الدقة الواقعية. وكان رفض الإجابة يُحتسب نتيجة محايدة. لذلك كان من الممكن أن يبدو النموذج الذي يحجب جميع الأسئلة الخلافية غير متحيز. كما أن الأسئلة كانت سياسية عن قصد ولا تعكس التدفق المعتاد للطلبات. وقد خضعت الترجمات لمراجعة يدوية جزئية، بينما قيّم الإجابات نموذج لغوي آخر، ما يضيف مصدراً إضافياً للخطأ.

إضافة إلى ذلك، شُغّلت نماذج كثيرة عبر مزودين خارجيين. وقد تستخدم التطبيقات الرسمية مرشحات إضافية وتنتج إجابات مختلفة. لذلك تكشف الدراسة عن الخطر وتحدد اتجاه الاختبار، لكنها لا تقدم تصنيفاً أبدياً لـ«موضوعية» النماذج.

الخلاصة العملية: اختبروا مسار المستخدم النهائي، لا اسم النموذج. أنشئوا مجموعات اختبار منفصلة لكل لغة ومنطقة، وأدرجوا فيها الترجمات والخرائط والأدلة والكيانات المتنازع عليها. أعيدوا الاختبارات باستخدام تعليمات النظام والأدوات وتنسيقات الإجابة الفعلية. واحتفظوا بالنتائج بحسب الإصدارات، لأن تغيير الطلب أو المزود أو التدريب اللاحق قد يحوّل سيناريو الأمس الآمن إلى أزمة سمعة غداً.