الغيلان في GPT-5.1: كيف سيطرت عادة خيالية على نموذج OpenAI

اجتاح GPT-5.1 وباء غريب وغير متوقع تمامًا: بدأ النموذج يُقحم الغيلان والجِرمْلِنز وغيرها من الكائنات الخيالية في إجاباته، في ما يقارب إجابة من كل ثلاث أو أربع. ليس الأمر بوضوح انهيار رياضي أو هلوسة سريرية، لكنه ظاهرة جلية ومنهجية. ولاحظ باحثو OpenAI أن هذه النزعة تتفاقم مع كل جيل جديد من النموذج، ويرجّحون الآن أنها قد تكون إشارة إلى مشكلات أعمق في عملية التدريب وفي انتقال الأخطاء بين الأجيال.

شذوذ دون تراجع في المقاييس

عادةً، حين يحدث خلل في النماذج اللغوية الكبيرة، نلحظه فورًا وبوضوح: ينخفض مقياس الجودة، وتتحول الإجابات إلى هراء تام، ويبدأ المستخدمون بالشكوى. لكن الوضع مع الغيلان مختلف تمامًا. فذِكر «غول صغير» واحد في إجابة ما يبدو لطيفًا وغير مؤذٍ، بل ربما طريفًا وذكيًا. تكمن المشكلة في الحجم: فعبر أجيال التدريب، أخذت هذه الإشارات تزداد أكثر فأكثر.

للوهلة الأولى تبدو الظاهرة غرابة ثانوية لا تستحق القلق. لكن الباحثين يرون فيها عَرَضًا لظاهرة أخطر. فقد «تعلّم» النموذج في مكان ما من طبقات المحوّلات (Transformer) تفضيل الاستعارات الخيالية عند وصف العمليات الحسابية المعقدة. بدأت الغيلان الصغيرة تهاجم المنطق، وتخبّطت الجِرمْلِنز في بنية الجمل، وبدا كل ذلك مجازيًا للغاية، لكنه خارج الغرض تمامًا.

كيف تكاثرت العادة الغريبة عبر الأجيال

كان الجيل الأول من GPT-5.1 يُخرج غولًا مرة واحدة تقريبًا كل مئة إجابة. لا شيء مخيف، ولا شيء يستدعي التدخل. لكن المطورين لم ينقّوا بيانات التدريب من هذه الظاهرة، وحين بدأ تدريب الجيل الثاني على مخرجات الأول، ارتفع تكرار الإشارات إلى نحو الضعف، أي مرة واحدة تقريبًا كل خمسين إجابة. أما الجيل الثالث فصار يستحضر الكائنات الخرافية بانتظام مخيف: مرتين كل عشرين إجابة. وأظهر الجيل الرابع إشارات أكثر تكرارًا. وواجه الباحثون مشكلة كلاسيكية في التدريب على المخرجات: إذا وُجد في البيانات نمط غير مرغوب، ودرّبتَ نموذجًا جديدًا على مخرجات نموذج قديم، فقد يتضخم النمط تضخمًا أسّيًا.

«تكاثرت الغيلان كالفيروس، لكنه فيروس لطيف: لا يضرّ أحدًا، بل ينتقل إلى

الجميع بابتسامة»، علّق أحد الباحثين.

وتفاقمت المشكلة بما يكفي لجذب اهتمام جدي. فقد بدأ النموذج يقدّم توصيات من قبيل «سيرشدك غول صغير إلى الطريق الصحيح في قاعدة البيانات» أو «ستساعدك الجِرمْلِنز على تحسين خوارزميتك».

فرضيات حول المصدر

من أين جاءت هذه الجحافل من الكائنات الخرافية؟ لدى الباحثين عدة فرضيات متنافسة. الأولى: أن بيانات التدريب تحتوي ببساطة على فائض من الأدب الخيالي ومحتوى D&D وألعاب لعب الأدوار، حيث استخدم المطورون الغيلان يومًا ما استعارات لوصف الأنظمة المعقدة. وتشير الفرضية الثانية إلى RLHF (التعلم المعزز من التغذية الراجعة البشرية). فربما وصف المُعلِّقون البشر عن غير قصد إجابةً استخدمت الغول بشكل إبداعي بأنها «جيدة» و«مبتكرة»، فترك ذلك بطريقة غريبة علامة في النموذج. أما الفرضية الثالثة، وهي الأكثر إثارة للاهتمام، فتقول إن النموذج نفسه «لاحظ» فاعلية الاستعارات واختار الغيلان لأنها عالمية الاستخدام. فهي مألوفة بما يكفي بفضل ألعاب الفيديو والثقافة الشعبية، ومجرّدة بما يكفي لتناسب أي سياق، من قواعد البيانات إلى التعلم الآلي.

• فائض من المحتوى الخيالي في بيانات التدريب
• تعزيز إيجابي عبر RLHF للتفسيرات الإبداعية
• اكتشاف النموذج بنفسه لفاعلية الاستعارات
• غياب المرشِّحات في أجيال التدريب الوسيطة
• تضخم أسّي للنمط عند التدريب على المخرجات

ماذا يعني ذلك

قصة الغيلان في GPT-5.1 ليست مجرد خلل طريف أو حالة غريبة. فهي تبيّن كيف يمكن للنماذج اللغوية الكبيرة أن تكوّن عادات غريبة لكنها راسخة، وغير مرئية تمامًا في مقاييس الجودة القياسية. وقد لا يلاحظ المستخدمون أصلًا امتلاء إجاباتهم ببطء بكائنات خيالية غير مرئية.

وهذا يذكّر بالأهمية الحاسمة لأمرين: التقييم الكمي للنماذج، من دقة ودرجات BLEU وتقييمات بشرية، والتحليل النوعي لاتجاهات مخرجات النموذج عبر أجيال التدريب. الغيلان اليوم، وغدًا لا أحد يعلم ماذا.