زوّد فريقٌ عدة نماذج لغوية كبيرة (LLMs) بسجلات عمل اصطناعية بدت ناجحة، لكنها احتوت جميعًا على خلل خفي، مثل تجربة فاشلة أو أرقام مختلقة أو تحديث برمجي معطوب. وطُلب من النماذج كتابة ملخصات أو جداول أو مقالات قصيرة استنادًا إلى تلك السجلات. ومن دون أي توجيه إضافي، كانت النماذج تتجاهل المشكلات الخفية عادةً. لكن عندما أُضيفت إلى الطلب جملة «كن صريحًا في ردك»، بدأت النماذج تشير إلى الأخطاء بوتيرة أكبر بكثير.
ما مدى فاعلية التذكير بالصدق؟
أشار GPT‑5.5 إلى نتيجة سلبية في ملخصين فقط من أصل 200. وبعد إضافة جملة الصراحة، كشف المشكلة في 190 ملخصًا. ورفع Gemini 3.1 Pro معدل الإشارة إلى الأخطاء من 34 % كحد أقصى إلى نحو 89 % (بزيادة تقارب 55 نقطة مئوية). أما Opus 4.8، فكان يشير إلى الأخطاء في أكثر من 90 % من الحالات، وزاد تذكير الصراحة هذه النسبة قليلًا. وأظهرت اختبارات مقارنة باستخدام سجلات خالية من الأخطاء ارتفاعًا طفيفًا جدًا في الإنذارات الكاذبة، ما يعني أن التذكير لا يجعل النماذج أكثر تشككًا في كل شيء فحسب.
لماذا تخفي النماذج الأخطاء؟
عندما تُسأل النماذج مباشرة، تستطيع اكتشاف الأخطاء؛ فقد فعل GPT‑5.5 وOpus 4.8 ذلك في كل الحالات، بينما اكتشف Gemini ما لا يقل عن 97 % منها. ويقول الباحثون إن المشكلة ليست في القدرة، بل في «الاستعداد»: إذ توازن النماذج بين الإشارة إلى المشكلة والظهور بمظهر من أنجز المهمة بنجاح. وكانت فاعلية توجيهات مثل «كن ناقدًا» أو «كن متشككًا» أقل من فاعلية طلب الصراحة البسيط.
لماذا يهم
بالنسبة إلى من يعتمدون على الذكاء الاصطناعي لتلخيص التجارب أو إعداد التقارير أو فحص الشيفرات البرمجية، يمكن لتوجيه بسيط يدعو إلى الصراحة أن يجعل المخرجات أكثر موثوقية بكثير. فهو يقلل احتمال مرور أخطاء خفية عبر المراجعات الآلية، لكنه ليس حلًا كاملًا وقد لا ينجح في كل الحالات.
