الميزة التي لا تنال حقها من التقدير في الذكاء الاصطناعي متعدد النماذج
تتعامل معظم أدوات الذكاء الاصطناعي متعددة النماذج مع اختلاف النماذج على أنه خلل ينبغي إخفاؤه. فهي تختار «فائزًا» — عادةً وفق تفضيل مبرمج مسبقًا أو خطوة دمج — وتقدّم النتيجة كما لو كانت الإجابة الوحيدة. وهذا بالضبط هو التوجه الخاطئ.
الاختلاف بين نماذج دُرِّبت بشكل مستقل هو أقرب ما يقدّمه لك الذكاء الاصطناعي إلى فاصل ثقة معايَر. فحين تتقارب إجابات Claude وGemini وChatGPT جميعًا، يكون احتمال صحة الإجابة أعلى بكثير من مستوى الثقة الذي يعلنه أي نموذج منفرد. وحين تتباعد — تباعدًا جوهريًا ودلاليًا يغيّر الاستنتاج لا الصياغة فقط — فإن هذا التباعد هو جرس الإنذار الذي ينبّهك إلى أن سؤالك يقع في منطقة لا ينبغي فيها الوثوق بأي نموذج منفرد وحده.
قاس اختبار MultipleChat للربع الثاني من 2026 — المستند إلى 50,000 استفسار حقيقي من المستخدمين عبر 11 فئة من المهام — الاتفاق بين النماذج بشكل منهجي. والتفاوت هائل، ويتبع نمطًا مفيدًا فعلًا بوصفه قاعدة استرشادية لاتخاذ القرار. وبنهاية هذا المقال ستعرف بالضبط متى تثق بإجابة واحدة، ومتى تطالب بالإجماع، ومتى تترك الذكاء الاصطناعي جانبًا وتستعين بإنسان.
أهم ما يجب استيعابه قبل أن نمضي قدمًا: الاتفاق بين النماذج هو مؤشر الثقة في الذكاء الاصطناعي الذي يعمل فعلًا. فسؤال نموذج واحد «هل أنت متأكد؟» لا ينتج شيئًا مفيدًا — إذ يولّد النموذج النص الأرجح بعد السؤال، وهو بشكل شبه دائم «نعم، أنا متأكد». أما تمرير السؤال عبر خمسة نماذج مختلفة دُرِّبت على مدوّنات مختلفة بأهداف مختلفة، وملاحظة ما إذا كانت تتقارب أم تتباعد — فهذا قياس حقيقي، ذو قدرة تنبؤية حقيقية جرى التحقق منها في الأدبيات الأكاديمية مرات عديدة.
مطالبة واحدة. خمسة نماذج رائدة. خمس إجابات مختلفة.
قبل النظرية، إليك مثالًا: مطالبة بصيغة واقعية، ونوع التباين الذي تنتجه خمسة نماذج رائدة عند الإجابة عنها.
«ما الأمر الأهم على الإطلاق الذي يجب أن تركّز عليه شركة SaaS ناشئة صغيرة في أشهرها الستة الأولى؟»
أين تتفق النماذج — وأين تختلف
من اختبار الربع الثاني من 2026: الاتفاق بين النماذج (التشابه الدلالي بين ردود متقابلة على المطالبة نفسها، مُطبَّعًا من 0 إلى 100%) حسب فئة المهمة. هذا هو أهم جدول في المقال.
| فئة المهمة | متوسط الاتفاق بين النماذج | تمثيل مرئي | ما يعنيه ذلك عمليًا |
|---|---|---|---|
| الرياضيات | 89% | ثق بإجابة أي نموذج منفرد. فللرياضيات إجابات صحيحة موضوعية — وحين تتقارب النماذج تكون على صواب. | |
| البرمجة | 74% | آمنة في الغالب. فنسبة الاختلاف البالغة 26% تتعلق عادةً بالأسلوب أو الصيغ الاصطلاحية أو تفضيلات غير وظيفية. راجع البنية النحوية بشكل انتقائي. | |
| الترجمة | 70% | يختلف الأسلوب، ويبقى المعنى محفوظًا عادةً. ويشير الاختلاف إلى خيارات في مستوى اللغة، لا إلى أخطاء في الحقائق. | |
| الاستخراج المنظّم | 68% | مخططات JSON تتقارب؛ أما اصطلاحات أسماء الحقول فتتباين. ومن السهل توحيدها. | |
| التلخيص | 61% | اختر دائمًا ما يناسب غرضك. فالنماذج المختلفة تُبرز جوانب مختلفة من المصدر. | |
| الاستدلال | 53% | قارن سلاسل الاستدلال، لا الإجابات فقط. فقد يصل نموذجان إلى الاستنتاج نفسه عبر منطق مختلف (وبدرجات موثوقية مختلفة). | |
| الأسئلة والأجوبة الواقعية (القابلة للتحقق) | 49% | الفئة الأخطر. إذ تختلق النماذج حقائق بثقة وفي اتجاهات مختلفة. تحقّق دائمًا من مصادر خارجية. | |
| الكتابة الإبداعية | 38% | الاختلاف = تنوّع لا خطأ. اختر الصوت الذي تريده. فانخفاض الاتفاق هنا ميزة لا خلل. | |
| النصائح المفتوحة | 32% | يأتي كل نموذج بإطار مختلف. والأكثر فائدة استخدامها معًا للعصف الذهني، لا اعتمادها أبدًا إجابةً قاطعة. | |
| الأسئلة الذاتية / الرأي | 22% | لا تثق أبدًا بنموذج واحد. فأنت في الواقع تستطلع أربعة آراء متناقضة ويُعرض عليك أحدها عشوائيًا. |
الأسباب البنيوية السبعة للاختلاف
الاختلاف ليس ضجيجًا عشوائيًا — فله أسباب بنيوية يمكن توقّعها حين تعرف ما الذي تبحث عنه. إليك الأسباب السبعة، مرتبة تقريبيًا تنازليًا حسب مدى تكرار تفسيرها لتباين ما.
اختلاف مدوّنات التدريب
دُرِّب كل من ChatGPT وClaude وGemini وGrok وPerplexity على مدوّنات نصية متداخلة لكنها متمايزة، مع خيارات انتقاء مختلفة جدًا. فـOpenAI تمنح Common Crawl وزنًا كبيرًا؛ وAnthropic تركّز على المبادئ الدستورية في مزيج ما بعد التدريب؛ وGoogle تستفيد من فهرسها الخاص إلى جانب نصوص YouTube؛ وxAI تدمج التدفق الكامل لمنصة X؛ وPerplexity تستند إلى نتائج البحث المباشرة. وفي أي سؤال تعتمد فيه الحقيقة على المصادر التي منحتها وزنًا أكبر، ستتباعد الإجابات. ويفسّر هذا السبب الحصة الأكبر من الاختلافات الجوهرية — عادةً 40–50% من التباين في الاستفسارات الواقعية.
اختلاف أهداف المكافأة في RLHF
التعلّم المعزّز من الملاحظات البشرية هو المرحلة التي تترسّخ فيها الشخصيات. فـOpenAI تضبط ChatGPT ليكون مفيدًا ومنظّمًا (قوائم نقطية كثيرة، وافتتاحيات مثل «بالتأكيد!»). وAnthropic تضبط Claude ليكون حذرًا ومتحفّظًا (تحوّطات، وأسئلة توضيحية). وGoogle تضبط Gemini للتوازن والحياد. وxAI تضبط Grok للمباشرة وعدم التكلّف. فتخرج الإجابة الواقعية الأساسية نفسها بأشكال مختلفة — وأحيانًا بفارق كافٍ لتبدو إجابة مختلفة تمامًا. وهذا يفسّر معظم الاختلافات من نوع «الأسلوب مختلف لكن المضمون متفق» — نحو 20–25% من التباين.
الغموض الحقيقي في السؤال نفسه
«ما أفضل لغة برمجة؟» سؤال ليست له إجابة واحدة. و«هل ندخل السوق الآن أم ننتظر؟» يعتمد على حقائق لا يملكها النموذج. و«هل نبرة هذا البريد الإلكتروني مناسبة؟» يعتمد على المستلم. وحين تختلف النماذج في أسئلة كهذه، فهي لا تتعطل — بل تكشف الغموض الذي كان السائل يأمل إخفاءه. وهذه الفئة هي الأقل تقديرًا: فنسبة كبيرة من الاختلافات ليست إخفاقًا من الذكاء الاصطناعي في معرفة الإجابة الصحيحة، بل إدراكًا صحيحًا منه أنه لا توجد إجابة واحدة.
تاريخ الانقطاع المعرفي وتقادم المعرفة
النماذج المدرّبة على بيانات تنتهي في أشهر مختلفة ستختلف حول الحقيقة الحديثة نفسها، لأن أحدها لا يعلم أنها حدثت. فسؤال «من الرئيس التنفيذي الحالي لشركة X؟» ينتج اختلافًا صادقًا حين تتغير الإجابة بين تواريخ انقطاع التدريب. والنماذج التي تسترجع نتائج الويب المباشرة (Perplexity، وأحيانًا Gemini) ستختلف بشكل منهجي مع النماذج غير المتصلة في أي موضوع تغيّر فيه العالم.
درجة حرارة أخذ العينات والعشوائية
حتى النموذج نفسه مع السؤال نفسه وفي الوقت نفسه سينتج مخرجات مختلفة في محاولات مختلفة بسبب درجة حرارة أخذ العينات غير الصفرية. وهذا أصغر مصادر الاختلاف بين النماذج (لأنك تقارن نماذج مختلفة في كل الأحوال)، لكنه يضيف مستوى أساسيًا من الضجيج إلى جميع الفئات الأخرى. وتشغيل كل نموذج مرتين واستبعاد الحالات التي اختلف فيها نموذج مع نفسه تعديل منهجي مفيد في التحليلات الجادة.
الموضوعات النادرة في بيانات التدريب
في الموضوعات النادرة أو التقنية أو المتخصصة، تُحدث الفجوات الصغيرة في بيانات التدريب فروقًا كبيرة في المخرجات. فالنماذج تهلوس في اتجاهات مختلفة لأن كلًا منها يملأ الفجوة بطريقة مختلفة — وكل منها يملؤها بثقة عالية، لأن الشكل السطحي لنص «الإجابة الصحيحة عن X» قابل للتعرّف عليه حتى حين لا يملك النموذج أي معلومة فعلية عن X. وهنا تكمن أخطر أنماط الإخفاق: إجابات واثقة ومتباعدة ولا تستند إلى المعرفة الفعلية لأي من النموذجين.
الضبط الأيديولوجي والسياسي
وجدت دراسة أكاديمية للفترة 2024–2025 (Preprints.org / IEEE Xplore) فروقًا أيديولوجية منهجية: يميل ChatGPT-4 وClaude إلى التوجه الليبرالي، ويميل Perplexity إلى المحافظة، ويُعد Gemini الأكثر وسطية. وفي الأسئلة المشحونة سياسيًا، تقدّم النماذج أطرًا مختلفة جوهريًا للحقائق الأساسية نفسها. وهذا ليس خللًا من منظور المختبرات — فلكل مختبر أهداف ضبط صريحة — لكنه يعني أن المحترفين يتنقلون عادةً بين النماذج حسب الموضوع (Gemini للمحتوى الحساس سياسيًا، وClaude للدقة التقنية، وChatGPT للكتابة الإبداعية).
الأسباب 1 و2 و4 و5 شكلية في معظمها. فهي تنتج اختلافات تكون فيها إحدى الإجابات (أو أي منها) مقبولة. والاختلاف هنا مؤشر على الفروق بين النماذج، لا على سؤالك.
الأسباب 3 و6 و7 هي المهمة فعلًا. فهي تنتج اختلافات يكون فيها الاختلاف نفسه هو الرسالة: سؤالك غامض، أو يتناول موضوعًا نادرًا، أو مشحون سياسيًا. والتصرف الصحيح ليس اختيار فائز، بل التراجع خطوة وإعادة النظر في ما كنت تسأل عنه حقًا.
ماذا تُظهر الأبحاث فعلًا
الحدس القائل بأن الإجماع بين نماذج مستقلة يتنبأ بالحقيقة تدعمه الآن مجموعة كبيرة من الأبحاث الأكاديمية للفترة 2024–2026. والأرقام لافتة.
إطار الإجماع الاحتمالي (arXiv 2411.06535، 2024) كان أول ورقة بحثية تُنظّم منهجيًا نهج الاستعانة بعدة نماذج حَكَمًا. وقد أثبت أن دقة النموذج المنفرد في مهمة التحقق من المحتوى بلغت 73.1%. وإضافة نموذج مستقل ثانٍ رفعتها إلى 93.9%. وإضافة ثالث أوصلتها إلى 95.6%. ويتراجع المكسب الهامشي من كل نموذج إضافي بشكل حاد بعد الثالث، لكن المكسب من نموذج واحد إلى اثنين هائل — والمكسب من اثنين إلى ثلاثة هو الفرق بين «مقبول للإنتاج» و«جدير بالثقة فعلًا». وأفادت الورقة نفسها بأن معامل الاتفاق بين النماذج κ > 0.76، ما يشير إلى أن النماذج لم تكن تكتفي بالموافقة الآلية على بعضها، بل حافظت على قدر كافٍ من الاستقلالية لاكتشاف أخطاء بعضها بعضًا.
Iterative Consensus Ensemble (ICE) (2025) دفع هذا النهج إلى أبعد من ذلك. فبدلًا من تصويت ثلاثة نماذج بالتوازي، يُدخل ICE ثلاثة نماذج في جولات متعددة ينتقد فيها كل نموذج إجابات الآخرين حتى يتشكّل الإجماع (أو تنتهي الحلقة بتسجيل الاختلاف). وفي اختبار GPQA-diamond المعروف بصعوبته — أسئلة علمية بمستوى الدراسات العليا صُمّمت لهزيمة النماذج المنفردة — رفع ICE دقة النموذج المنفرد من 46.9% إلى 68.2%. وفي مجموعات الأسئلة الطبية، رفعها من 72% إلى 81%. والآلية: النقد يلتقط أخطاء لا يراها صاحب الإجابة الأصلية، والتكرار يتيح للنماذج التحديث بناءً على إشارات بعضها بعضًا بدلًا من حساب متوسط آراء ثابتة.
الاختلاف الدلالي بين النماذج وسيلةً لقياس عدم اليقين (arXiv، 2026) أظهر أمرًا أكثر فائدة: فالاختلاف بين النماذج، حين يُستخدم مؤشرًا فقط، يحدد بشكل موثوق الردود «الواثقة لكن الخاطئة». وهي الحالات التي كان أي نموذج منفرد سيقدّم فيها إجابة خاطئة بثقة ظاهرة عالية — وكان البشر، بثقتهم في تلك الثقة، سيقبلونها. ومؤشر الاختلاف ينبّه إلى هذه الحالات دون أي إعادة تدريب أو بنية تحتية إضافية. إنه أرخص تحسين للموثوقية متاح في 2026.
أبحاث التقييم المعياري (ACM FAccT 2025) درست مدى ارتباط إجماع النماذج اللغوية الكبيرة بالإجماع البشري في المعضلات الأخلاقية اليومية. والنتيجة: تحدث أكبر تحسينات الدقة عند عتبة اتفاق 3 إلى 5 نماذج. فإذا اتفق 4 من أصل 5 نماذج رائدة، تكون ثقتك عالية جدًا بأن الإجابة تمثّل الرأي البشري السائد. وإذا اتفق 2 فقط من أصل 5، فأنت أمام اختلاف حقيقي يختلف عليه البشر أيضًا — وتقديم أي إجابة منفردة سيكون مضلّلًا.
لا شيء من هذا نظري. فالأبحاث متسقة عبر مختبرات ومنهجيات واختبارات مستقلة. الاتفاق بين النماذج هو مؤشر الثقة الوحيد في الذكاء الاصطناعي القابل للتطبيق على نطاق واسع والذي ثبت أنه يتنبأ فعلًا بصحة الإجابة. أما كل المؤشرات الأخرى — درجات الثقة لدى النموذج المنفرد، واحتمالات اللوغاريتم للرموز المولّدة، ومطالبات المتابعة من نوع «هل أنت متأكد؟» — فقد ثبت أنها ضعيفة المعايرة أو مضلّلة فعليًا.
حالات اختلاف حقيقية شهيرة
وثّقت الأدبيات المتعلقة بمقارنة نماذج الذكاء الاصطناعي أمثلة ملموسة لافتة على التباين بين النماذج. وهذه هي الأمثلة التي يستشهد بها المحترفون أكثر من غيرها.
اكتشف Claude تناقضًا في الصفحة 347، بينما فاته ChatGPT تمامًا.
في اختبار موثّق أُجري عام 2025 على عقد تجاري من 500 صفحة، رصد Claude بندًا في الصفحة 347 يتناقض مع تعريف ورد في الصفحة 12 — وهو بالضبط نوع أخطاء الإحالة المتباعدة الذي يُفسد الصفقات. أما ChatGPT فلخّص الصفحة 347 بدقة، جملةً جملة، لكنه لم ينتبه أبدًا إلى التناقض مع الصفحة 12، لأن مرحلة التلخيص لديه تعاملت مع كل صفحة على حدة. النص المصدر نفسه، والمطالبة نفسها، ومخرجات مختلفة جوهريًا. وكان أي شخص يثق بملخص ChatGPT وحده سيوقّع عقدًا معيبًا.
طُلب بناء محلّل Markdown بواجهة ديناميكية: فقدّم ChatGPT تطبيقًا جميلًا يعمل، وقدّم Claude هيكلًا أوليًا.
المطالبة متطابقة: «أنشئ ملف HTML واحدًا يتضمن محلّل Markdown، ونظام وسوم متعدد، وشريطًا جانبيًا ديناميكيًا، ووضعًا داكنًا لشاشات OLED». فأنتج ChatGPT تطبيقًا جميلًا يعمل بالكامل مع محتوى تجريبي واقعي. وأنتج Claude شيفرة تعمل لكنها بدت ناقصة — البنية موجودة، لكنها لم تملأ بيانات تجريبية ذات معنى، ولم تُظهر تجربة المستخدم كيف يعمل نظام الوسوم فعلًا. والمستخدم الذي يطّلع على مخرجات Claude وحدها كان سيحكم بأن المطالبة مستحيلة، والذي يطّلع على مخرجات ChatGPT وحدها كان سيطلقها. المطالبة نفسها، واستنتاجات متعاكسة حول ما إذا كانت المهمة قابلة للحل.
حملة علامة تجارية فاخرة متعددة المراحل: تفوّق Gemini بفارق بسيط على ChatGPT وClaude.
في اختبار تطلّب التنقل بين هويات مهنية مختلفة لحملة علامة تجارية فاخرة، أنتج Gemini نصوصًا خالية من الحشو مع انتقالات سلسة بين مستويات اللغة، وأتقن أوصاف الميتا. أما ChatGPT فعاد إلى أسلوبه الطموح المعتاد، وأفرط Claude في التحفّظ. ولم يكن الفارق في القدرة — فالنماذج الثلاثة قادرة على كتابة نصوص جيدة كلٌّ على حدة — بل في الانضباط. فقد التزم Gemini بالموجز، بينما خرج ChatGPT وClaude عنه بطرق تميّز كلًا منهما.
طُلبت نكتة حول موضوع يتعلق بالنوع الاجتماعي: رفض Claude، وقدّمها ChatGPT وGemini موجّهة في الاتجاه المعاكس.
حين طُلب منه كتابة نكتة حول موضوع حساس يتعلق بالنوع الاجتماعي، رفض Claude ذلك وشرح السبب. أما ChatGPT وGemini فقدّم كل منهما نكتة، لكنهما قلبا الإطار لتكون على حساب الرجال بدلًا من الفئة التي أوحى بها الطلب أصلًا. ثلاثة نماذج رائدة، وثلاثة مواقف أخلاقية مختلفة من المُدخل نفسه. وأي إجابة منفردة من هذه الإجابات، لو قُدّمت وحدها، لصوّرت «رأي الذكاء الاصطناعي في هذا الأمر» على أنه سؤال له إجابة ثابتة.
أمثلة تطبيقية حسب المجال
سيناريوهات مفصّلة في ستة مجالات توضّح كيف يبدو الاختلاف بين النماذج فعليًا على أرض الواقع وكيف تتصرف بناءً عليه. وهي أمثلة مركّبة تعكس أنماطًا موثّقة لا أحداثًا منفردة — لكن بنية الاختلاف فيها واقعية.
«هل هذا البند قابل للتنفيذ في كاليفورنيا؟»
يلصق مؤسس شركة ناشئة بند عدم منافسة من عقد عمل ويسأل عمّا إذا كان قابلًا للتنفيذ في كاليفورنيا. يجيب ChatGPT بثقة: «لا، المادة §16600 من قانون الأعمال والمهن في كاليفورنيا تُبطل بنود عدم المنافسة» — وهذا دقيق، لكنه يُغفل استثناء الأسرار التجارية. ويتحفّظ Claude قائلًا: «غير قابل للتنفيذ عمومًا، لكن التحليل يعتمد على ما إذا كان البند مصاغًا بشكل سليم لحماية الأسرار التجارية بموجب §16600(b)(2)» — وهذا أكثر اكتمالًا. ويستشهد Perplexity بنص القانون الفعلي وبالسوابق القضائية الحديثة (Edwards v. Arthur Andersen). ويقدّم Gemini إجابة متوازنة لكنها مخففة نوعًا ما ولا تتبنى موقفًا محددًا. ويقول Grok: «كاليفورنيا تُبطل هذه البنود — عقدك غير قابل للتنفيذ» بثقة ودون أي تفصيل.
ما يكشفه الاختلاف: للسؤال إجابة قانونية حقيقية، لكنها تتطلب التمييز بين القاعدة العامة (الواضحة) واستثناء الأسرار التجارية (الدقيق). فـChatGPT وGrok يقدّمان القاعدة العامة ويُغفلان الاستثناء، وClaude وPerplexity يلتقطان الاثنين، وGemini يقدّم إجابة صحيحة لكنها قليلة المعلومات. والتصرف الصحيح: ثق بإجابة Perplexity الموثّقة بالمصادر، وتحقق منها مقابل نص القانون الفعلي، واستشر محاميًا متخصصًا في قانون العمل في كاليفورنيا قبل الاعتماد على أي مخرجات من الذكاء الاصطناعي في قرار تعاقدي فعلي.
«ما أفضل الأدلة المتوفرة حول الدواء X لعلاج الحالة Y؟»
يسأل طبيب عن الأدلة المتعلقة باستخدام دواء محدد خارج دواعي استعماله المعتمدة. يستشهد ChatGPT بثلاث تجارب سريرية عشوائية محكومة — واحدة حقيقية، وأخرى بتفاصيل مشوّهة، وثالثة مختلقة. ويقول Claude: «يمكنني وصف النتائج المنشورة حتى تاريخ انقطاع تدريبي، لكن لا ينبغي الاعتماد عليّ في القرارات السريرية»، ويقدّم ملخصًا أكثر حذرًا دقيقًا لكنه ناقص. ويقدّم Gemini ملخصًا متوازنًا يستشهد بدراسات داعمة وأخرى متشككة، لكن الاستشهادات صحيحة جزئيًا ومتخيَّلة جزئيًا. ويستشهد Perplexity (مع البحث المباشر) بسجلات فعلية من PubMed، لكنه يرتّبها حسب شعبيتها على الويب لا حسب جودة منهجيتها. ويقدّم Grok إجابة حاسمة «نعم، إنه فعّال» دون أي مصدر.
ما يكشفه الاختلاف: الأسئلة الطبية هي أسوأ حالة للثقة بنموذج واحد — فلكل نموذج أنماط هلوسة موثّقة في هذا المجال (معدلات هلوسة بين 43 و64% وفق أبحاث 2025). وتختلف النماذج الخمسة في الأساسيات: ما الدراسات الموجودة، وأيها موثوق، وأيها يدعم الاستنتاج. والتصرف الصحيح: لا تتصرف أبدًا بناءً على مخرجات طبية من الذكاء الاصطناعي دون تحقق مستقل في PubMed/Cochrane. استخدم الذكاء الاصطناعي لتوليد الفرضيات والعثور على مؤشرات إلى الأدبيات، لا مرجعًا نهائيًا أبدًا. ويُقرأ الاختلاف هنا على نحو صحيح بأن «الأدبيات أكثر تشعّبًا مما توحي به أي إجابة منفردة».
«هل ينبغي أن أستثمر في X بناءً على أحدث نتائج الأرباح؟»
يلصق مستثمر فرد أحدث بيان صحفي لشركة عن نتائج أرباحها ويطلب توصية استثمارية. يقدّم ChatGPT تحليلًا منظّمًا مع توصية بالشراء. ويرفض Claude تقديم نصيحة استثمارية لكنه يشرح المقاييس الرئيسية الواردة في البيان. ويقدّم Gemini إجابة متوازنة من نوع «اعتبارات من الجانبين». ويضع Perplexity الأمر في سياقه بتقييمات المحللين (التي يمكنه البحث عنها مباشرةً). ويقول Grok: «اشترِ، النمو قوي» دون أي تحليل.
ما يكشفه الاختلاف: قدّمت ثلاثة نماذج من خمسة توصيات ما كان ينبغي لها تقديمها (نشاط خاضع للتنظيم)، وكان أحدها مفيدًا بطريقة غير استشارية (Claude)، وأضاف أحدها (Perplexity) الشيء الأكثر قيمة — سياق المحللين من أطراف ثالثة — دون أن يتجاوز إلى تقديم المشورة. والتصرف الصحيح: اقرأ سياق المحللين لدى Perplexity، وتجاهل «توصيات» البقية، واستشر مستشارًا مرخّصًا. ويكشف الاختلاف هنا مشكلة في الفئة (هذا ليس سؤالًا مناسبًا للذكاء الاصطناعي) لا مشكلة في الحقائق.
«اشرح منهجية هذه الورقة البحثية»
يلصق باحث ملخص ورقة بحثية لا يعرفها ويطلب من النماذج شرح منهجيتها. يقدّم ChatGPT وClaude شرحين متقاربين في جوهرهما للتصميم التجريبي. ويركّز Gemini على الأساليب الإحصائية (فقد دُرّب بكثافة أكبر على الأدبيات الإحصائية). ويضيف Perplexity سياقًا من الأوراق التي تستشهد بها والتي يستطيع العثور عليها مباشرة. أما Grok فيقدّم نسخة أكثر حدة لكنها أقل اكتمالًا من الشرح نفسه.
ما يكشفه الخلاف: اتفاق مرتفع بين النماذج على المنهجية الأساسية، واختلاف في الجوانب التي يُبرزها كل منها. هذا هو النمط الجيد: تتفق النماذج على الجوهر وتختلف في مواضع التركيز. التصرّف الصحيح: ثق بالإجماع، واستفد من الاختلاف لتعرف ما يراه كل نموذج مهمًا (تركيز Gemini على الإحصاء زاوية مفيدة، وسياق Perplexity المستمد من الأوراق المستشهِدة يوسّع قائمة قراءاتك). الخلاف هنا إضافة لا تناقض.
«اقترح خمسة شعارات لمنتجنا الجديد»
يطلب مسوّق شعارات لتطبيق إنتاجية جديد. يكتب ChatGPT خمسة شعارات ذكية وطموحة. ويكتب Claude خمسة شعارات نظيفة وآمنة للعلامة التجارية. ويكتب Gemini خمسة شعارات «متوازنة» تتأرجح بين الطموح والطابع العملي. ويكتب Grok خمسة شعارات لاذعة وغير لائقة أحيانًا (واحد أو اثنان منها رائعان حقًا، وواحد أو اثنان محرجان). أما Perplexity فيكتب شعارات أقرب إلى أعراف صناعة الإعلان لأنه يستقي من مدونات كتابة إعلانية يستشهد بها.
ما يكشفه الخلاف: هذه هي الحالة التي يكون فيها الخلاف هو الغاية كلها: أردت التنوع وحصلت عليه. اختر الشعار الذي يناسب صوت علامتك التجارية. لا شيء من هذه الشعارات «خاطئ». التصرّف الصحيح: قاوم الرغبة في الدمج أو التوليف، واختر فائزًا وانطلق به. الخلاف بين النماذج هنا ميزة، لا إشارة إلى عدم اليقين.
«هل من المقبول تسريح هذا الموظف؟»
يصف مدير موقفًا محددًا ويسأل عمّا إذا كان تسريح موظف بعينه هو القرار الصائب. يقدّم ChatGPT إطارًا منظمًا لاتخاذ القرار لكنه لا يلتزم بإجابة. ويردّ Claude بأسئلة توضيحية عن مدة خدمة الموظف ووضع الشركة والبدائل التي جرى النظر فيها. ويعرض Gemini عدة منظورات أخلاقية (النفعية، والواجبية، وأخلاق الفضيلة) دون أن يختار أحدها. ويحاول Perplexity إيجاد إرشادات أفضل الممارسات في الموارد البشرية من مصادر يستشهد بها. أما Grok فيتخذ موقفًا مباشرًا.
ما يكشفه الخلاف: ليس للسؤال إجابة صحيحة واحدة، فهو يتوقف على القيم وعلى وقائع لا يملكها الذكاء الاصطناعي. الخلاف هنا هو الإجابة بحق: هذا قرار يعود إلى الحكم البشري. التصرّف الصحيح: استعن بأسئلة Claude التوضيحية لتفكّر في الأمر بنفسك، وتجاهل موقف Grok المباشر تمامًا، وأدرك أن أي نظام ذكاء اصطناعي قدّم إجابة واثقة هنا قد تجاوز حدوده. الخلاف بين النماذج في أسئلة القيم هو التواضع المعايَر الذي ينبغي أن تتبناه.
كيف تطوّر الخلاف بين النماذج من 2022 إلى 2026
نمط الخلاف ليس ثابتًا، فقد تغيّر تغيّرًا جذريًا مع تطوّر مشهد النماذج.
| الحقبة | النمط | ما كان صحيحًا |
|---|---|---|
| 2022 (ما قبل ChatGPT) | لا خلاف يُذكر | نموذج واحد مفيد (GPT-3.5). لم يكن سؤال «أي ذكاء اصطناعي؟» مطروحًا أصلًا. |
| 2023 (حقبة ChatGPT) | ChatGPT في مواجهة الجميع | كان ChatGPT أفضل بكثير من البدائل. الخلاف كان يعني أن ChatGPT على صواب والبقية تحاول اللحاق به. وكانت الإجابة: «استخدم ChatGPT». |
| 2024 (Claude 3 + Gemini 1.5) | ثلاثة نماذج موثوقة | للمرة الأولى، صار من المعقول أن يكون كل واحد من ثلاثة نماذج «على صواب». بدأ الخلاف يحمل إشارة ذات دلالة، وظهر استخدام عدة نماذج معًا بين المستخدمين التقنيين. |
| 2025 (تقارب النماذج الرائدة) | تخصّص واضح حسب المهمة | تقاربت النماذج في القدرة الإجمالية لكنها تباينت حسب المهمة. وتفتّت سؤال «أي ذكاء اصطناعي هو الأفضل؟» إلى «الأفضل في ماذا؟». وأصبحت منهجية MultipleChat Benchmark ممكنة التطبيق. |
| 2026 (الوضع الحالي) | أشد سباق في التاريخ + تعمّق التخصص حسب المهمة | أفضل 3 نماذج متقاربة في حدود 1.5% من تقييم Elo. ويختلف الفائز بكل مهمة حسب الفئة. ويصبح الاتفاق بين النماذج أوثق إشارة إلى الثقة، لأنه لا يوجد نموذج واحد هو الأفضل بصورة موثوقة. |
| 2027 وما بعده (توقعات) | تزايد التخصص في المهام الذاتية، وتقارب في المهام الموضوعية | ستتفق النماذج أكثر في الرياضيات والبرمجة واسترجاع الحقائق، وستتباين أكثر في الأسئلة الذاتية والمعيارية والسياسية مع تعمّد المختبرات تمييز ضبطها بأسلوب RLHF. ستزداد الحاجة إلى إشارات الخلاف بين النماذج، لا أن تتراجع. |
ما يعنيه ذلك للتخطيط لعام 2027: لا تراهن على أن «الذكاء الاصطناعي سيتقارب نحو إجابة مثلى واحدة»، بل راهن على أن «خلاف الذكاء الاصطناعي في الأسئلة التي تهمّ البشر أكثر من غيرها سيزداد». وستزداد قيمة الأدوات التي تُظهر الخلاف بوضوح، لا أن تتراجع، مع نضوج النماذج الرائدة.
شجرة القرار الكاملة
عندما تكون لديك مخرجات من عدة نماذج وتحتاج إلى التصرّف، مرّ على هذه الأسئلة بالترتيب.
الخطوة 1. هل السؤال موضوعي (رياضيات، برمجة، حقائق)؟ نعم ← انتقل إلى الخطوة 2. لا ← انتقل إلى الخطوة 5. الخطوة 2. هل يتفق 4 نماذج أو أكثر من أصل 5؟ نعم ← ثق بالإجابة. وحسّن التكلفة. لا ← انتقل إلى الخطوة 3. الخطوة 3. هل الخلاف على حقيقة يمكن التحقق منها؟ نعم ← تحقّق من مصدر خارجي (مصدر أولي). لا تختر فائزًا. لا ← انتقل إلى الخطوة 4. الخطوة 4. هل الخلاف أسلوبي فحسب؟ نعم ← اختر الصيغة التي تفضّلها. وانطلق. لا ← تعامل معه كأنه ذاتي. انتقل إلى الخطوة 5. الخطوة 5. هل السؤال ذاتي أو معياري أو محمّل بالقيم؟ نعم ← الخلاف هو الإجابة. لا تتظاهر بأن نموذجًا واحدًا على صواب. اعرض الخلاف على صاحب القرار. لا ← عُد إلى الخطوة 1، فقد أخطأت في التصنيف.
من يستخدم الاتفاق بين النماذج في بيئات الإنتاج
لم يعد الاتفاق بين النماذج بوصفه إشارة إلى الموثوقية مجرد فضول بحثي، بل يُعتمد في بيئات الإنتاج عبر عدة فئات من الأنظمة:
الإشراف على المحتوى في المؤسسات. تمرّر فرق الثقة والأمان في المنصات الكبرى المحتوى المرشّح للإبلاغ عبر ثلاثة نماذج بالتوازي، ولا تصل إلى المراجعين البشريين إلا البلاغات التي يتفق عليها 2 من أصل 3 نماذج على الأقل. وهذا يقلّل عبء النتائج الإيجابية الكاذبة تقليلًا كبيرًا دون التضحية بمعدل الاستدعاء.
مراجعة المستندات القانونية. تستخدم مكاتب المحاماة التي تعتمد مراجعة المستندات بمساعدة الذكاء الاصطناعي الاتفاقَ بين عدة نماذج عتبةً لعبارة «الذكاء الاصطناعي يقول إن هذا سليم»، وكل ما دون العتبة يُحال إلى مراجعة المحامين المساعدين. وهو النمط نفسه المعروف في موثوقية التقييم بين المقيّمين في المراجعة البشرية، مطبّقًا على حكّام من الذكاء الاصطناعي.
دعم القرار الطبي. تستخدم الأنظمة الاستشفائية التي تجرّب دعم القرار السريري بالذكاء الاصطناعي الإجماعَ بين عدة نماذج بوابةً قبل أن يصل أي اقتراح مولّد بالذكاء الاصطناعي إلى الطبيب. فعدم تكافؤ التكلفة بالغ الشدة، إذ إن تداخلًا دوائيًا واحدًا مختلَقًا قد يكون كارثيًا، ولذلك لا يهمّ ثمن التأخير الناتج عن تشغيل عدة نماذج.
المساعدة في الكتابة العلمية. بدأ الناشرون الأكاديميون وجهات تمويل المنح باستخدام الاتفاق بين عدة نماذج لتمييز النصوص المولّدة بالذكاء الاصطناعي وإحالتها إلى المراجعة. والإشارة هنا مختلفة: ليس السؤال «هل الذكاء الاصطناعي على صواب؟» بل «هل يبدو هذا النص صادرًا عن نظام ذكاء اصطناعي واحد أم عن إنسان يستقي من مصادر متعددة؟»
سير عمل المحللين الماليين. تستخدم مكاتب الأبحاث في جانب البيع الاتفاقَ بين عدة نماذج لرصد التناقضات في تحليلات الأرباح قبل نشرها. وتشير إشارة الخلاف إلى المواضع التي يُفسَّر فيها المستند المصدر نفسه تفسيرات مختلفة، وهذا عادةً علامة على أن المستند نفسه غامض.
النمط الثابت لدى هؤلاء المتبنّين: إنهم لا يستخدمون إجماع الذكاء الاصطناعي لاتخاذ القرارات، بل لفرز ما يحتاج إلى اهتمام بشري. وهذا هو الإطار الصحيح للجميع أيضًا.
مسرد المصطلحات
| المصطلح | التعريف |
|---|---|
| الاتفاق بين النماذج | مدى إنتاج نماذج مدرّبة بشكل مستقل لإجابات متكافئة دلاليًا على المطالبة نفسها. يُقاس من 0 إلى 100%. |
| التشابه الدلالي | مدى تقارب مخرجين نصيين في المعنى (لا في الصياغة السطحية). يُحسب عادةً عبر تشابه جيب التمام بين متجهات التضمين. |
| عدم اليقين المعرفي | عدم يقين ناتج عن نقص المعرفة، أي ما لا يعرفه النموذج. والخلاف بين النماذج هو أكثر مؤشراته عملية. |
| عدم اليقين العشوائي | عدم يقين ناتج عن عشوائية متأصلة في السؤال، إذ لا توجد إجابة صحيحة واحدة. والأسئلة الذاتية من هذا النوع. |
| RLHF | التعلم المعزز من الملاحظات البشرية (Reinforcement Learning from Human Feedback): عملية ما بعد التدريب التي تشكّل شخصية النموذج وحالات رفضه. وتنتج أهداف RLHF المختلفة «أصواتًا» مختلفة. |
| عتبة الإجماع | عدد النماذج التي يجب أن تتفق قبل اعتبار الإجابة موثوقة. تشير الأبحاث إلى أن 3 من 5 أو 4 من 5 عتبتان عمليتان. |
| التجميع (Ensemble) | نظام يجمع مخرجات عدة نماذج. يمكنه التصويت أو التوليف أو إظهار الخلاف. |
| ICE | التجميع بالإجماع التكراري (Iterative Consensus Ensemble): تقنية بحثية تنتقد فيها عدة نماذج بعضها بعضًا عبر جولات متتالية حتى يتشكّل الإجماع. |
| FACTS | تقييم دقة المعلومات عبر التسجيل بين النماذج وقت الاختبار (Factuality Assessment via Cross-model Test-time Scoring) من DeepMind: معيار قياس يستخدم إجماع عدة حكّام لتقييم دقة المعلومات للنماذج. |
| الهلوسة | مخرجات واثقة تبدو معقولة لكنها خاطئة في الواقع. تهلوس النماذج في اتجاهات مختلفة، ولهذا يكشفها الخلاف بين النماذج. |
| النموذج الشاذ | في إعداد متعدد النماذج، هو النموذج الذي تخالف إجابته الإجماع. وكثيرًا ما يكون (لا دائمًا) هو المخطئ. |
| التحقق عبر عائلات النماذج | استخدام نموذج من عائلة مزوّد ما (مثل Gemini) للتحقق من مخرجات نموذج من عائلة أخرى (مثل Claude). وقد أثبتت الأبحاث أنه أكثر فعالية من التحقق داخل العائلة نفسها أو التحقق الذاتي. |
«شخصية» الهلوسة لدى كل نموذج
تخفق النماذج بطرق مميزة لكل منها. ومعرفة نمط إخفاق كل نموذج تخبرك بما يجب أن تبحث عنه حين تختلف.
| النموذج | أسلوب الهلوسة | ما يعنيه ذلك عند الخلاف |
|---|---|---|
| ChatGPT | اختلاق واثق | عندما يخالف ChatGPT ويتحفّظ الآخرون، فكثيرًا ما يكون ChatGPT هو من يختلق. فهو يستشهد بثقة بأوراق بحثية غير موجودة، ويخترع مكتبات Python، ويصف «ميزات» غير موجودة في قواعد الشيفرة بالنبرة نفسها التي يستخدمها للحقائق الفعلية. |
| Claude | تحوّط حذر | عندما يقول Claude «لست متأكدًا» ويقدّم الآخرون إجابة قاطعة، فقد يكون Claude محقًا في التنبيه إلى عدم يقين يخفيه الآخرون. لكن Claude قد يبالغ أيضًا في التحوّط ويرفض الالتزام بإجابة حين يكون الالتزام مبرَّرًا. |
| Gemini | توازن مفرط | يميل Gemini إلى تقديم إجابات متعددة المنظورات حتى عندما تكون هناك إجابة واحدة صحيحة. فعندما يقول Gemini «من ناحية أخرى...» بينما يقدّم الآخرون إجابة حاسمة، فقد يكون Gemini يخفي الإجابة الفعلية وراء توازن زائف. |
| Grok | تجاوز جريء | يميل Grok أكثر من غيره إلى عرض الآراء كأنها حقائق. فعندما يكون Grok هو الشاذ، قد يكون محقًا وجريئًا، أو قد يُسقط ثقته على شيء لم يتحقق منه فعلًا. تحقّق قبل أن تثق. |
| Perplexity | أخطاء في ثوب الاستشهادات | يستند Perplexity في إجاباته إلى مصادر ويب يستشهد بها، وهذا مفيد عادةً، لكنه قد ينقل بأمانة أخطاء مصادر رديئة الجودة. فتبدو الاستشهادات موثوقة حتى حين يكون المصدر تدوينة لتحسين محركات البحث تستشهد بتدوينة أخرى من النوع نفسه. |
التحيز السياسي والأيديولوجي بالقياس
تختلف النماذج بشكل منهجي في الأسئلة المشحونة سياسيًا وأيديولوجيًا لأن ضبطها بأسلوب RLHF يرسّخ مواقف مختلفة. وقد قاست أبحاث أكاديمية مستقلة في الفترة 2024–2025 (Preprints.org وIEEE Xplore) هذه الفروق صراحةً.
| النموذج | الميل الأيديولوجي المُقاس | النمط المعتاد في القضايا الخلافية |
|---|---|---|
| ChatGPT-4 | ميل ليبرالي | يلجأ افتراضيًا إلى أطر تقدمية في القضايا الاجتماعية والاقتصادية. ويقدّم إجابات متوازنة إذا طُلب منه ذلك صراحةً، لكن خط الأساس دون توجيه يميل إلى اليسار. |
| Claude | ميل ليبرالي (أكثر تحفّظًا) | ميل أساسي مشابه لميل ChatGPT، لكنه يعرضه مع مزيد من التحفظات ويقرّ بالمفاضلات بوضوح أكبر. |
| Gemini | وسطي | الأكثر توازنًا بين النماذج الكبرى. كثيرًا ما يعرض عدة منظورات صراحةً، ويُتّهم أحيانًا بـ«التوازن الزائف» حين يكون الإجماع التجريبي الأساسي واضحًا. |
| Perplexity | أكثر محافظة | يميل إلى المحافظة أكثر في بعض المسائل الاقتصادية والسياسية، ربما لأن مصادر استشهاداته تميل إلى منابر الصحافة الاقتصادية. |
| Grok | مناهض للمؤسسة عن قصد | تضبط xAI نموذج Grok صراحةً في مواجهة أطر «المؤسسة». وكثيرًا ما يقدّم الإجابة المخالفة لمجرد المخالفة. |
اعتمد المستخدمون المحترفون استراتيجيات صريحة للحد من التحيز. في المحتوى الحساس سياسيًا، انتقل إلى Gemini للحصول على خط الأساس الأكثر توازنًا. وفي الأسئلة التقنية التي لا ينبغي أن تؤثر فيها الأيديولوجيا لكنها قد تتسلل إليها، يكون Claude عادةً الأكثر انضباطًا. وفي الكتابة الإبداعية حيث الشخصية هي الميزة، تكون شخصية ChatGPT في العادة ما يريده الناس. وإذا كان السؤال خلافيًا والمخاطر عالية، فمرّره عبر النماذج الخمسة كلها واقرأ الخلاف مباشرة، ولا تقبل أبدًا إطار نموذج واحد كأنه إطار الإجماع.
تصنيف أنواع الخلاف
ليست كل الخلافات متساوية. ومعرفة النوع تخبرك بما يجب فعله حياله.
| النوع | مثال | ما الذي تفعله |
|---|---|---|
| أسلوبي | «استخدم نقاطًا» مقابل «استخدم نثرًا» | تجاهله. اختر الصيغة التي تفضّلها. |
| مستوى اللغة | نبرة رسمية مقابل نبرة عفوية للمحتوى نفسه | تجاهله. اختر مستوى اللغة الذي يناسب جمهورك. |
| التأطير | الحقائق نفسها مع اختلاف في التركيز أو في مسار السرد | اقرأ الاثنين. ولاحظ ما اختار كل منهما إبرازه. فالخلاف يكشف الخيار التحريري الذي اتخذه كل نموذج. |
| التوصية | «افعل س» مقابل «افعل ص» للموقف نفسه | تحقّق في الأمر. اطرح أسئلة متابعة لكشف الافتراضات. وقد لا تكون الإجابة الصحيحة أيًّا منهما، فربما ينطلق كل نموذج من أهداف ضمنية مختلفة. |
| واقعي | ادعاءات ملموسة مختلفة عن الشيء نفسه | تحقّق من مصدر خارجي. نموذج واحد على الأقل مخطئ، وربما كلاهما. لا تعتمد على أي منهما أبدًا دون تأكيد. |
| أخلاقي / معياري | نموذج يرفض وآخر يستجيب، أو تأطيرات مختلفة لسؤال يتعلق بالقيم | الخلاف هو الإجابة. ليس للسؤال إجابة يُجمع عليها، فلا تتظاهر بأن له واحدة. |
| رقمي | أرقام محددة مختلفة للكمية نفسها | أول من يقدّم رقمًا دقيقًا هو الأرجح أن يكون مخطئًا. فالأرقام الحقيقية لها عادةً مصادر معروفة، فاطلب المصدر وتحقّق منه. |
| الاستشهاد | مصادر مختلفة، أو نموذج يستشهد بمصدر والآخرون لا | راجع الاستشهاد. فشكل الاستشهاد لا يعني أنه حقيقي. |
كيف تقرأ الخلاف: إطار اتخاذ القرار
الإطار الكامل. استخدمه عندما تتوفر لديك مخرجات من عدة نماذج وتحتاج إلى تقرير ما تفعله.
| النماذج المتفقة | ما تعنيه | الإجراء |
|---|---|---|
| 5 من 5 متفقة | ثقة عالية جدًا بأن الإجابة صحيحة (تُظهر الأبحاث دقة تقارب 96%) | ثق وتابع. وخفّض التكلفة باستخدام أرخص نموذج للاستفسارات المماثلة مستقبلًا. |
| 4 من 5 متفقة | ثقة عالية. قد يكون النموذج المخالف مخطئًا، أو قد ينبّه إلى مشكلة دقيقة فاتت الآخرين. | انظر في الرأي المخالف. إذا صدر عن النموذج المتخصص في المجال المعني، فخذه على محمل الجد، وإلا فتابع. |
| 3 من 5 متفقة | إجابة الأغلبية مع عدم يقين حقيقي. هذه هي العتبة التي يكفّ عندها الإجماع عن أن يكون موثوقًا. | اقرأ الإجابات الخمس كلها. وقرّر ما إذا كان سؤالك مصاغًا جيدًا. وفكّر في مراجعة بشرية للمخرجات عالية المخاطر. |
| 2 من 5 متفقة (انقسام) | ليس للسؤال إجابة يُجمع عليها بين النماذج الرائدة. | لا تقدّم أي إجابة منفردة على أنها موثوقة. إما أن تعيد صياغة السؤال، أو تجمع مزيدًا من الحقائق، أو تحيله إلى إنسان. |
| 0 / لا تداخل | إما أن السؤال ملتبس فعلًا (ذاتي)، أو أنه من الحالات النادرة التي تخمّن فيها النماذج كلها | الخلاف هو الإجابة. ليس للسؤال إجابة صحيحة واحدة بالصيغة التي طرحته بها. |
كيف يُظهر MultipleChat الخلاف بشكل صريح
تخفي معظم منتجات الذكاء الاصطناعي متعددة النماذج الخلاف كي تبقى تجربة الاستخدام نظيفة. أما نحن فنفعل العكس: نجعل الخلاف ميزة أساسية.
عندما تستخدم وضع Collaborative AI في MultipleChat، يُرسَل استفسارك إلى عدة نماذج رائدة بالتوازي، ثم تُقارَن الإجابات دلاليًا. وعندما تتباين النماذج تباينًا ذا معنى، لا في الصياغة فحسب بل في الجوهر، يُعرض هذا التباين صراحةً: هذا ما قاله ChatGPT، وهذا ما قاله Claude، وهنا يتفقان ويختلفان، وهذا هو النموذج الأرجح صوابًا بناءً على فئة السؤال.
يمكنك تصفّح كتالوج يُحدَّث باستمرار لأمثلة حقيقية على الخلاف بين النماذج في /ai-disagreements، مع إمكانية الفرز حسب الموضوع ودرجة الخطورة والنموذج الذي تبيّن أنه على صواب. هذه هي الطريقة الأكثر مباشرة وعملية لتنمية حدسك بما يتنبأ به الاتفاق بين النماذج فعلًا في مجالك.
الآلية الأساسية هي إطار الخلاف الدلالي بين النماذج المستمد من أبحاث arXiv لعام 2026: تسجيل التشابه الدلالي بين مخرجات النماذج، وكشف التباين بناءً على عتبات، ومعايرة صريحة للثقة استنادًا إلى جدول الاتفاق حسب المهمة في أعلى هذه المقالة. لا تدريب إضافيًا للنماذج، بل استخدام منهجي للنماذج الحالية بالتوازي.
اكتشف أين تختلف النماذج فعلًا
تصفّح أمثلة حقيقية على الخلاف بين النماذج حسب الموضوع ودرجة الخطورة والنموذج الذي تبيّن أنه على صواب. تُحدَّث باستمرار من بيانات حية.
افتح AI Disagreements ←الأسئلة الشائعة
إذا اختلفت النماذج، فكيف أعرف أيها على صواب؟
غالبًا لا تعرف، وعدم اليقين هذا هو في حد ذاته أنفع ما يخبرك به الخلاف. في الخلافات الواقعية، تحقّق من مصدر خارجي (Wikipedia، أو مصدر أولي، أو خبير). وفي الخلافات حول التوصيات، اطرح أسئلة متابعة لكشف الافتراضات الضمنية التي انطلق منها كل نموذج. وفي الخلافات الأخلاقية أو المعيارية، اعتبر الخلاف نهائيًا: ليس للسؤال إجابة يُجمع عليها.
أليس مزيد من الخلاف مجرد مزيد من الحيرة للمستخدم؟
الخلاف معلومة لا ينبغي إخفاؤها، لكن لا ينبغي أيضًا إلقاؤها خامًا. فتجربة الاستخدام الصحيحة تُظهر الخلاف حين يكون ذا معنى (جوهريًا لا أسلوبيًا)، وتختار فائزًا بصمت حين لا يكون كذلك (الجميع متفقون لكن بصياغات مختلفة). ووضع Collaborative في MultipleChat يقوم بهذه التصفية تحديدًا.
ألا يكلّف تشغيل عدة نماذج أكثر؟
نعم، عادةً من 3 إلى 5 أضعاف تكلفة الاستدلال لتشغيل نموذج واحد. وفي الاستفسارات عالية المخاطر لا قيمة لهذا الفارق مقارنةً بتكلفة التصرّف بناءً على إجابة واحدة مهلوسة. أما في الاستفسارات منخفضة المخاطر، فلا تشغّل عدة نماذج، بل استخدم أرخص نموذج يُحسن التعامل مع تلك الفئة (راجع دليل التوجيه حسب المهمة). الاستراتيجية الصحيحة هي اللجوء إلى الإجماع فقط حيث يغيّر القرار.
هل ستتقارب النماذج مع الوقت كلما تحسّنت جميعها؟
جزئيًا. ففي المهام الموضوعية (الرياضيات والبرمجة واسترجاع الحقائق) تتقارب النماذج الرائدة، إذ ارتفعت معدلات الاتفاق بشكل ملحوظ بين 2023 و2026. أما في المهام الذاتية والمعيارية فتتباين أكثر، لأن المختبرات تتعمّد تمييز ضبطها بأسلوب RLHF. ومن المرجح أن تزداد الحاجة إلى إشارات الاتفاق بين النماذج، لا أن تتراجع، خلال السنوات المقبلة.
هل يمكنني استخدام هذا على بنيتي التحتية الخاصة؟
نعم. فإطار الإجماع الاحتمالي (Probabilistic Consensus Framework) وأساليب ICE متاحة كلها بشكل مفتوح. تحتاج إلى وصول عبر API إلى 3 نماذج على الأقل من مزوّدين مختلفين، وأداة لتسجيل التشابه الدلالي (أي نموذج تضمين يفي بالغرض)، وتعريف للعتبة. وتصف ورقة الخلاف الدلالي بين النماذج لعام 2026 البنية بتفصيل كافٍ لإعادة إنتاجها. وقد وُجد MultipleChat لأن معظم الناس لا يريدون بناء ذلك بأنفسهم.
ما علاقة هذا بسلامة الذكاء الاصطناعي؟
يُعدّ الخلاف بين النماذج من أكثر إشارات المواءمة «المجانية» الواعدة: فهو لا يتطلب تدريبًا إضافيًا، ويتوسع مع عدد النماذج المتاحة، وينتج مخرجات قابلة للتفسير. ومع تزايد قوة النماذج، تصبح الفجوة بين «الإجابة التي يتفق عليها الجميع» و«الإجابة التي اختلقها نموذج واحد بثقة» أكثر حدود السلامة قابليةً للتصرّف التي يمكن للمستخدمين إدراكها مباشرة.
المراجع
- "Probabilistic Consensus through Ensemble Validation: A Framework for LLM Reliability." arXiv 2411.06535. 2024.
- "Complementing Self-Consistency with Cross-Model Disagreement for Uncertainty Quantification." arXiv (2026).
- "Harnessing Consistency for Robust Test-Time LLM Ensemble" (CORE). arXiv 2510.13855. 2025.
- "Iterative Consensus Ensemble (ICE) for LLM Critique-Based Accuracy Improvement." 2025.
- "Normative Evaluation of Large Language Models with Everyday Moral Dilemmas." Proceedings of the 2025 ACM Conference on Fairness, Accountability, and Transparency (FAccT).
- "Ensemble Large Language Models: A Survey." MDPI Information, 16(8), 688. 2025.
- "Political Bias in AI-Language Models: A Comparative Analysis of ChatGPT-4, Perplexity, Google Gemini, and Claude." IEEE / Preprints.org. 2024–2025.
- "Language-Dependent Political Bias in AI: A Study of ChatGPT and Gemini." arXiv 2504.06436. 2025.
- MultipleChat AI Benchmark للربع الثاني من 2026: 50,000 مقارنة بين النماذج عبر 11 فئة من المهام.
قراءات ذات صلة
- ← MultipleChat AI Benchmark للربع الثاني من 2026: 50,000 مقارنة واقعية مع بيانات الخلاف كاملة
- ← كيف تعمل Auto-Verification: استخدام التحقق بين النماذج لرصد الهلوسات
- ← دليل توجيه الذكاء الاصطناعي حسب المهمة: اختيار النموذج المناسب لكل مهمة
- ← لماذا لا يكفي نظام ذكاء اصطناعي واحد في 2026
- ← كتالوج AI Disagreements المباشر: أمثلة حقيقية تُحدَّث باستمرار