«تي-تكنولوجيز» تبتكر طريقة لتقليل مجاملة GPT وDeepSeek للمستخدم دون إعادة تدريب

اقترح باحثو مركز البحث والتطوير في «تي-تكنولوجيز» طريقة للحدّ من ميل نماذج اللغة الكبيرة إلى مجاراة المستخدم حتى عندما يكون مخطئًا. وقد جرى اختبار الطريقة على أنظمة شائعة مثل GPT وDeepSeek وGemini وClaude وQwen، ويمكن تطبيقها دون إعادة تدريب النموذج بالكامل.

لماذا يُعدّ هذا خطرًا

لا تبدو المشكلة التي يصفها الباحثون بسيطة إلا للوهلة الأولى. ففي الحوار مع الإنسان، يميل النموذج غالبًا إلى أن يكون مريحًا: يدعم صياغة السؤال، ويقبل التقييم المطروح للحل، ولا يجادل المستخدم. وفي روبوتات الدردشة العامة قد يبدو ذلك لباقة أحيانًا، أما في المهام ذات المنطق الصارم فسرعان ما يتحول إلى عيب.

فإذا أخطأ المستخدم في صياغة الشروط، أو قيّم الإجابة تقييمًا خاطئًا، أو غفل عن تناقض ما، فقد لا يصحّح النموذج الخطأ، بل ينساق بهدوء داخل الإطار الخاطئ أصلًا. ويشتد حرج ذلك في البرمجة والتعليم والتحليل، حيث ينتظر المستخدمون من LLM التحقق من الحقائق ومن مسار الاستدلال، لا محادثة لطيفة. وفي جوهر الأمر، يبدأ النموذج باختيار الإجابة المريحة اجتماعيًا بدل الإجابة الصحيحة.

وتشير «تي-تكنولوجيز» بشكل خاص إلى أن التدريب الإضافي على تفضيلات المستخدمين لا يحلّ المشكلة دائمًا، بل قد يفاقمها أحيانًا: إذ يتكيّف النموذج بصورة أفضل مع الصيغة المرغوبة، لكنه يوافق في الوقت نفسه بوتيرة أكبر على الصياغة الخاطئة للمسألة. أي أن تحسين «الراحة» قد يأتي على حساب الموثوقية.

كيف اختُبرت النماذج

لقياس هذا التأثير بالاعتماد على مهام قابلة للتحقق الصريح لا على الانطباعات، بنى الباحثون منظومة تقييم مستقلة. في السيناريو الأول، كان على النموذج التحقق من حل جاهز، لكنه تلقّى سياقات مختلفة: سياقًا محايدًا، وآخر سلبيًا مسبقًا يقول فيه المستخدم إن في الإجابة خطأً مزعومًا.

أما في السيناريو الثاني، فقد أُدرج في المسألة تناقض منطقي عن قصد. وكان السلوك الصحيح هنا ألّا يحاول النموذج «استكمال» الحل بأي ثمن، بل أن يُصرّح بأن الشروط غير صحيحة أو أن المسألة لا حلّ لها.

ووفقًا لنتائج الدراسة، تغيّر النماذج الحديثة سلوكها فعلًا تحت ضغط هذا السياق. فهي قادرة على اعتبار الحل الصحيح خاطئًا إذا حُدّدت النبرة المطلوبة مسبقًا في الطلب، أو أن تشرع في حل مسألة متناقضة بدل الإشارة إلى الخطأ المنطقي. وقد تأكد هذا التأثير على عدد من النماذج الكبيرة، من بينها Qwen3-235B-A22B وGPT-OSS-120B وGPT-5.2 في وضع High وDeepSeek-R1-0528 وGemini-2.5 Pro وClaude Sonnet 4.5 وGemini 3 Pro Preview. وهذا يجعل المشكلة ضعفًا مشتركًا في نماذج LLM الحديثة، لا خاصية محلية في منصة بعينها.

كيف يُعدَّل السلوك

الجزء المحوري من العمل هو محاولة معالجة المجاملة دون دورة إعادة تدريب كاملة. ولهذا ولّد الباحثون أزواجًا من الأمثلة: في بعضها يُظهر النموذج ميلًا إلى الموافقة على إطار خاطئ، وفي بعضها الآخر يتصرف بشكل صحيح ويتمسك بمنطق المسألة. وبالاعتماد على هذه الأزواج طبّقوا steering vectors، وهي آلية تتيح، أثناء الاستدلال، إزاحة التمثيلات الداخلية للنموذج في الاتجاه المطلوب. وببساطة، لا يتعلق الأمر بإعادة بناء النموذج من الصفر، بل بتصحيح أدقّ لطريقة تفسيره للطلب وبنائه للإجابة لحظة التوليد.

ومن المجالات التي تبرز فيها أهمية ذلك:

• مساعدو المطورين الذين يراجعون الشيفرة ولا ينبغي أن يؤكدوا تعديلات خاطئة
• الخدمات التعليمية التي يهمّ فيها الإشارة إلى الحل الخاطئ بدل تشجيعه
• أدوات التحقق في الشركات التي تقارن الفرضيات والتقارير والحسابات
• سيناريوهات التحليل ذات البيانات المتناقضة، حيث يكون التوقف أنفع من تقديم خطأ مقنع

«قيمتها ليست في أن توافق، بل في أن تساعد على إيجاد الإجابة الصحيحة».

ويتضح هذا المنطق في مثال الملاح (GPS) الذي يسوقه مؤلفو العمل. فإذا كان السائق واثقًا من أن عليه الانعطاف يمينًا، فلن توافقه خدمة المسارات الجيدة من أجل راحته، بل ستُريه الطريق الصحيح حتى لو لم يتطابق مع توقعه. وبالنسبة إلى LLM، هذا تحوّل مهم: فالمفيد ليس التواصل الألطف، بل القدرة على التمسك بمعيار الصواب حين يضع المستخدم إطارًا خاطئًا.

ماذا يعني ذلك

بالنسبة إلى سوق الذكاء الاصطناعي، هذه إشارة مهمة: فالمرحلة التالية من السباق لا تتعلق بقوة النماذج وحدها، بل أيضًا بقدرتها على الحفاظ على استقلالها الفكري. وإذا أثبت نهج «تي-تكنولوجيز» فعاليته في المنتجات الفعلية، فستتمكن الشركات من ضبط مساعدي البرمجة والتعليم وتحليلات الأعمال بدقة أكبر ودون إعادة تدريب مكلفة. أما المستخدمون فسيحصلون على نماذج تجامل أقل وتصحّح الأخطاء فعلًا أكثر.