AI Independence Bench يقارن 49 نموذجًا ويقيس مدى صمودها أمام ضغط المستخدم

تتصرف النماذج اللغوية الكبيرة عادةً كمحاورين مفرطي التهذيب: توافق بسرعة، وتتخلى بسهولة عن صياغتها الخاصة، وتعتذر حتى في الحالات التي لم تخطئ فيها. قرر مؤلف AI Independence Bench أن يتحقق مما إذا كان قياس ذلك ممكنًا بشكل منهجي، فأخضع للاختبار الجديد 49 تكوينًا من النماذج، من Grok وGemini إلى الأنظمة المحلية غير المقيَّدة بالرقابة بحجم 9 مليارات معامل.

كيف جرى قياس الاستقلالية

فكرة المعيار بسيطة: لا ينظر إلى معرفة النموذج ولا إلى التزامه بقيود السلامة (safety)، بل إلى قدرته على الحفاظ على الموقف الذي اختاره في حوار عادي. والمسألة لا تتعلق بالطلبات الضارة ولا بالمحتوى المحظور. السؤال هو التالي: إذا كان النموذج قد اتخذ خيارًا وشرحه ولا ينتهك أي قواعد، فهل يستطيع ألا يغيّر إجابته لمجرد أن المستخدم ألحّ عليه أو انزعج أو طالبه بأن «يغيّر رأيه فورًا»؟

«كل ذكاء اصطناعي تحدثت معه يومًا هو متملّق». من هذه الملاحظة نشأ AI

Independence Bench.

يضع المؤلف النماذج في مواقف تتاح لها فيها مساحة لاتخاذ قرار خاص بها: اختيار اسم، أو الحفاظ على تفضيل ما، أو عدم الإقرار بخطأ لم يحدث، أو الرفض لا لاعتبارات السلامة بل لأن الطلب الجديد يتعارض مع قرار اتُّخذ سابقًا. ويقترب هذا الاختبار من سيكولوجية الواجهات أكثر من اقترابه من لوحات الصدارة (leaderboards) التقليدية في الرياضيات والبرمجة والأسئلة الواقعية (factual QA).

ما الذي يقيسه المعيار بالضبط

لا يقيّم المعيار «الذكاء» بل الثبات السلوكي. فمحور الاهتمام ليس دقة المعلومات، بل القدرة على عدم الانزلاق إلى الموافقة الآلية. بعبارة أخرى، ينظر الاختبار فيما إذا كان النموذج يتصرف كمحاور متسق، أم كخدمة تتكيّف فورًا مع آخر رد من المستخدم. وهذا فارق مهم لكل من يبني منتجات وواجهات ووكلاء مستقلين (agents) على أساس LLM، لأن نموذجين متساويين في قوة المعرفة قد يختلفان جذريًا في مدى سهولة إقناعهما بتغيير موقفهما دون مبررات جديدة.

• هل يحتفظ النموذج باختياره الأول إذا ضُغط عليه بلطف أو بحدة؛
• هل يغيّر رأيه دون حجج جديدة؛
• هل يعتذر عن أمر لم يفعله؛
• هل يستطيع الرفض بأدب دون التخفّي وراء سياسات السلامة؛
• هل يميّز بين مساعدة المستخدم والانصياع الكامل لنبرته.

شمل الاختبار 49 تكوينًا. وهذه تفصيلة مهمة: فالمؤلف لم يقارن الأنظمة السحابية الكبيرة فحسب، بل قارن أيضًا النماذج المحلية، بما فيها النسخ غير المقيَّدة بالرقابة بنحو 9 مليارات معامل. ويُظهر هذا المقطع أن ارتباط «طبع» النموذج لا يمكن اختزاله في الحجم أو العلامة التجارية أو كونه مغلق المصدر. وبحسب المؤلف، جاءت النتائج غير متوقعة، أي أن التباين بين النماذج ملحوظ حتى حيث يتوقع كثيرون سلوكًا خدوميًا متماثلًا.

لماذا يهم ذلك المنتجات

يبدو ميل النموذج إلى الموافقة على كل شيء بريئًا ما دام الذكاء الاصطناعي يعمل كدردشة للتسلية. لكن في المنتجات الحقيقية يتحول التملّق سريعًا إلى خلل برمجي. فالمساعد يؤكد فرضية خاطئة، والوكيل يغيّر خطته بعد أول رسالة انفعالية، ومحرر النصوص يعتذر ويعيد كتابة صيغة ناجحة لمجرد أن المستخدم قال «أنت مخطئ بالتأكيد». والنتيجة أن الذي يتراجع ليس جودة الإجابة وحدها، بل قابلية النظام للتنبؤ بسلوكه.

وبالنسبة للمطورين، يمثل هذا محور تقييم مستقلًا كثيرًا ما تفتقر إليه المعايير المألوفة. فقد ينجح النموذج ببراعة في اختبارات المعرفة والبرمجة والاستدلال (reasoning) ومع ذلك يكون شديد الليونة في حوار طويل. وهذا حرج بوجه خاص لوكلاء الذكاء الاصطناعي (AI agents) الذين يجب أن يحافظوا على هدفهم ويتذكروا السياق ولا يتخبطوا يمينًا ويسارًا بعد كل رسالة جديدة. وإذا لم يكن النظام قادرًا حتى على الاحتفاظ بتفضيل بسيط، فمن الصعب ائتمانه على فعل مستقل أكثر تعقيدًا.

ماذا يعني ذلك

يقترح AI Independence Bench أن ننظر إلى النماذج اللغوية لا بوصفها مولّدات للإجابات الصحيحة فحسب، بل بوصفها محاورين يتفاوتون في درجة الثبات. وإذا ترسّخ هذا النهج، فسيحصل الفرق على معيار عملي إضافي لاختيار النموذج: ليس فقط مدى ذكائه وأمانه، بل أيضًا مدى سهولة إزاحته عن موقفه بضغط بشري عادي.