اكتب السؤال نفسه في ChatGPT مرتين متتاليتين، وغالبًا ستحصل على إجابتين مختلفتين. ليس فقط اختلافًا في الصياغة، بل اختلافًا في البنية والأمثلة، وأحيانًا في الاستنتاج نفسه. بالنسبة لمن تعوّد على القاعدة القديمة في علوم الحاسوب، وهي أن المُدخل نفسه ينتج عنه المُخرج نفسه دائمًا، يبدو هذا وكأنه خلل. لكنه ليس خللاً واحدًا. إنه تراكم لقرارات هندسية، وحقائق رياضية لا مفر منها حول الحساب العشري في الحاسوب، وخيارات في تصميم المنتج لا يراها معظم المستخدمين، وحين نفصل هذه الطبقات عن بعضها يتوقف التفاوت عن أن يبدو غامضًا ويصبح متوقعًا تمامًا.

وهم وجود إجابة صحيحة واحدة

النموذج اللغوي الكبير لا يبحث عن إجابة جاهزة كما يفعل محرك بحث يسترجع صفحة محفوظة. في كل خطوة من خطوات توليد الرد، ينتج النموذج توزيعًا احتماليًا على كامل مفرداته، أي تخمينًا مرتبًا لأي كلمة أو جزء كلمة، يسمى "رمزًا"، يجب أن يأتي تاليًا بناءً على كل ما كُتب حتى تلك اللحظة. ثم يختار رمزًا واحدًا من هذا التوزيع، يضيفه إلى النص المتنامي، ويكرر العملية للرمز التالي.

هذا مهم لأن النموذج نادرًا ما يمنح احتمالية بنسبة مئة بالمئة لرمز واحد "صحيح". بالنسبة لسؤال مثل "ما هي عاصمة فرنسا"، يكون التوزيع منحازًا بشدة لإجابة واحدة، فيصل النموذج إليها بشكل موثوق. أما بالنسبة لسؤال مثل "أعطني ثلاثة شعارات تسويقية" أو "اشرح لماذا هذا مهم"، فقد تحمل عشرات الرموز المعقولة احتمالية ذات معنى، واختيار أي منها يُشكّل كل ما يليه.

فهم هذه الحقيقة الوحيدة، وهي أن التوليد سلسلة من الاختيارات الاحتمالية وليس عملية بحث عن إجابة جاهزة، هو الأساس لكل ما سيأتي في هذا المقال. كل مصدر آخر للتفاوت، من إعدادات "درجة الحرارة" إلى غرائب الأجهزة، يعمل فوق عملية أخذ العينات الأساسية هذه.

ما الذي تتحكم فيه درجة الحرارة فعليًا

درجة الحرارة (Temperature) هي الإعداد الذي سمع عنه معظم الناس، وهي تعيد تشكيل التوزيع الاحتمالي مباشرة قبل اختيار الرمز. درجة الحرارة المنخفضة تُحدّد التوزيع بدقة أكبر، فتدفع مزيدًا من الكتلة الاحتمالية نحو الرمز الأكثر احتمالًا، مما يجعل المخرجات أقرب إلى أن تكون متوقعة تمامًا. درجة حرارة تساوي صفرًا تمامًا تُلغي عمليًا أخذ العينات وتختار دائمًا الرمز الأعلى احتمالًا، وهو ما يُعرف بفك التشفير الجشع.

ارفع درجة الحرارة يتسطح التوزيع، مما يمنح الرموز الأقل احتمالًا فرصة حقيقية للاختيار. لهذا السبب تميل درجات الحرارة الأعلى إلى إنتاج مخرجات تبدو أكثر تنوعًا وإبداعًا، وأحيانًا أقل تماسكًا، لأن النموذج يصبح أكثر استعدادًا للابتعاد عن الصياغة الأكثر توقعًا إحصائيًا.

منتجات المحادثة الاستهلاكية مثل ChatGPT وClaude وGemini لا تُظهر مؤشر درجة حرارة في واجهاتها الافتراضية على الويب. إنها تعمل بدرجة حرارة ثابتة ومعتدلة يختارها المزوّد لتحقيق توازن بين التماسك والتنوع، وهذا أحد أسباب رؤية المستخدمين العاديين إجابات مختلفة بشكل ملحوظ عبر الجلسات رغم أنهم لم يلمسوا قط إعدادًا يحمل اسم "العشوائية".

استراتيجية أخذ العينات تضيف طبقة ثانية من العشوائية

درجة الحرارة ليست الأداة الوحيدة التي تُشكّل اختيار الرمز. معظم الأنظمة الإنتاجية تطبّق أيضًا ما يُعرف بأخذ العينات النووي (nucleus sampling)، ويُعرف عادة بـ top-p، والذي يحصر مجموعة المرشحين في أصغر مجموعة من الرموز يتجاوز مجموع احتمالاتها عتبة معينة مثل 0.9، متجاهلاً الذيل الطويل من الخيارات غير المحتملة قبل أخذ العينة. طريقة مشابهة، تُسمى top-k، تقتصر ببساطة على عدد ثابت من الرموز الأعلى احتمالًا.

هذه المرشحات تتفاعل مع درجة الحرارة بدلًا من أن تحل محلها. يمكن لنموذج أن يعمل بدرجة حرارة منخفضة نسبيًا ويُظهر مع ذلك تفاوتًا ملحوظًا إذا كانت عتبة top-p سخية بما يكفي لترك عدة رموز معقولة في المنافسة، بينما إعداد top-p أو top-k ضيق جدًا قد يجعل المخرجات تبدو شبه حتمية حتى مع درجة حرارة معتدلة.

ولأن المزوّدين التجاريين نادرًا ما ينشرون المعاملات الدقيقة لأخذ العينات المستخدمة في منتجاتهم الاستهلاكية، ولأنهم يضبطون هذه القيم بمرور الوقت كجزء من التحسين المعتاد للمنتج، فإن النتيجة العملية للمستخدم الخارجي واحدة في الحالتين: المزيج الدقيق من العشوائية وراء رد محادثة "نموذجي" غير مرئي بالكامل ويمكن أن يتغير دون أي إعلان علني.

لماذا لا يكون حتى الإعداد "الحتمي" حتميًا بالكامل

من المعقول افتراض أن ضبط درجة الحرارة على صفر، مما يُجبر النموذج على اختيار الرمز الأعلى احتمالًا دائمًا، يضمن مخرجات متطابقة لمُدخل متطابق. في الممارسة العملية، هذا ليس صحيحًا دائمًا، والسبب يكمن أسفل منطق النموذج نفسه، داخل العتاد الذي يُجري الحساب.

الاستدلال الحديث يعمل على معالجات رسومية (GPU) تُعالج عمليات كثيرة بالتوازي، والجمع العشري في الحاسوب ليس تجميعيًا بشكل صارم: جمع الأرقام نفسها بترتيب مختلف قد ينتج نتيجة مختلفة قليلاً جدًا على مستوى آخر خانات عشرية قليلة. أحمال عمل المعالجات الرسومية غالبًا ما تُجمّع مع طلبات أخرى تُخدَّم في اللحظة نفسها، وتركيبة الدفعة الدقيقة، التي تعتمد على حركة المرور الأخرى التي يتعامل معها الخادم في تلك اللحظة، يمكن أن تُغيّر ترتيب تنفيذ العمليات.

هذه الفروقات الرقمية الصغيرة عادة ما تكون صغيرة جدًا بحيث لا تهم بمفردها، لكنها قد تُغيّر أحيانًا أيهما من رمزين شبه متعادلين يحمل الاحتمالية الأعلى بفارق ضئيل. وعندما يحدث ذلك، يختار فاك التشفير الجشع رمزًا مختلفًا، ولأن التوليد تسلسلي، فإن هذا الانحراف المبكر الواحد يمكن أن يتصاعد إلى رد مختلف بشكل واضح لاحقًا في النص. باحثون درسوا هذا السلوك، ومنهم دراسة واسعة الانتشار من مختبر Thinking Machines Lab عام 2025، وصفوه بأنه أثر ناتج عن حجم الدفعة وجدولة العتاد أكثر من كونه أمرًا مقصودًا في النموذج نفسه.

نافذة السياق تُغيّر ما يراه النموذج فعليًا

نادرًا ما يصل السؤال إلى النموذج بمعزل عن أي شيء آخر. منتجات المحادثة الاستهلاكية تُغلّف النص الذي تكتبه بتعليمات نظام لا تراها، وأحيانًا بجولات محادثة سابقة من الجلسة نفسها، وفي الأدوات التي تملك ميزة الذاكرة، بحقائق ملخّصة خزّنها المنتج عنك من جلسات سابقة. كل هذه المواد المحيطة تصبح جزءًا من السياق الذي يبني عليه النموذج توزيعه الاحتمالي.

شخصان يكتبان ما يبدو سؤالًا متطابقًا قد يُقدّمان للنموذج في الواقع سؤالين مختلفين فعليًا، لأن تاريخ محادثتهما أو إعدادات حسابهما أو حتى التاريخ الحالي المُضمّن في تعليمات النظام يختلف. وحتى الشخص نفسه الذي يسأل السؤال نفسه مرتين في جلسة واحدة لا يُقدّم مُدخلاً متطابقًا في المرة الثانية، لأن التبادل الأول أصبح الآن جزءًا من التاريخ المرئي.

استخدام الأدوات يضيف متغيرًا آخر. عندما يقرر منتج المحادثة البحث في الويب أو تشغيل كود أو استرجاع مستند قبل الإجابة، يصبح المحتوى المُسترجَع جزءًا من السياق أيضًا، وهذا المحتوى المُسترجَع قد يختلف بين طلبين متطابقين ظاهريًا لمجرد أن صفحة ويب تغيّرت، أو أن ترتيب نتائج البحث تحوّل، أو أن نتيجة مخزّنة مؤقتًا انتهت صلاحيتها بين المحاولتين.

إصدارات النموذج تتغيّر تحت اسم منتج ثابت

"ChatGPT" و"Claude" و"Gemini" أسماء منتجات، لا نماذج ثابتة. كل مزوّد يُصدر لقطات نموذج محدّثة بشكل مستمر، أحيانًا بتصنيف رقم إصدار، وأحيانًا يُطرح بهدوء كتحديث داخلي للنموذج الذي يخدم اسم المنتج نفسه. السؤال الذي يُطرح على منتج اليوم قد تتم معالجته بمجموعة أوزان مختلفة جوهريًا عن السؤال نفسه الذي طُرح قبل أشهر، أو حتى أسابيع قليلة.

كما يُجري المزوّدون عادة تجارب حية، بتوجيه جزء من حركة المرور إلى نسخة نموذج مختلفة قليلاً، أو تعليمات نظام مختلفة، أو مجموعة معاملات افتراضية مختلفة، لمقارنة الأداء قبل طرح أوسع. لا يملك المستخدم أي رؤية حول ما إذا كان طلبه المحدد قد وقع في المجموعة الضابطة أو المجموعة التجريبية، وهذا يعني أن شخصين، أو الشخص نفسه في وقتين مختلفين، قد يتحدثان فعليًا مع نظامين مختلفين بدقة بينما يريان واجهة منتج متطابقة.

لا يُفصح عن أي من هذا في لحظة ظهور رد المحادثة، وهذا جزء من سبب ندرة أن يكون "النموذج تغيّر" أول تفسير يخطر ببال الناس حين تبدو المخرجات مختلفة عما تذكروه، رغم أنه سبب شائع وموثّق جيدًا.

العشوائية تتراكم رمزًا تلو رمز

لأن التوليد ذاتي الانحدار، بمعنى أن كل رمز جديد يُختار بناءً على كل ما تولّد حتى تلك اللحظة، فإن اختلافًا صغيرًا في بداية الرد لا يبقى صغيرًا. إذا اختارت عمليتان تشغيليتان كلمة مختلفة عند الرمز الخامس، فإن كل رمز يُولَّد بعد تلك النقطة يصبح الآن مبنيًا على جملة مختلفة، مما قد يُغيّر التوزيع الاحتمالي للرمز السادس، الذي بدوره يُغيّر السابع، وهكذا.

هذا التأثير التراكمي يفسّر لماذا يمكن لردّين على السؤال نفسه أن يبدآ بقراءة شبه متطابقة لجملة أو جملتين ثم ينحرفا بشدة نحو بنى مختلفة، أو أمثلة مختلفة، أو حتى استنتاجات مختلفة. نقطة التفرّع الأولية غالبًا ما تكون رمزًا واحدًا حيث كان خياران متعادلين تقريبًا في الاحتمالية، لكن العواقب اللاحقة لاختيار أحدهما بدلًا من الآخر تتراكم عبر طول الرد كاملًا.

هذا يفسّر أيضًا لماذا تُظهر المخرجات الأطول والأكثر انفتاحًا تفاوتًا أكثر وضوحًا من الإجابات الوقائعية القصيرة. الإجابة الوقائعية المكونة من جملة واحدة تحتوي على رموز أقل يمكن أن يحدث فيها انحراف، ومساحة أقل لتفاوت مبكر صغير كي يتراكم إلى شيء ملحوظ بنهاية النص.

لماذا تبدو الأسئلة الوقائعية أكثر استقرارًا من الأسئلة الإبداعية

اسأل نموذجًا سؤالاً وقائعيًا ضيقًا له إجابة واحدة مقبولة على نطاق واسع، ويميل التوزيع الاحتمالي الأساسي عند كل رمز إلى أن يكون حادًّا جدًا: رأى النموذج هذا النمط مرات كافية أثناء التدريب بحيث يهيمن استمرار واحد. لا يزال أخذ العينات يحدث تقنيًا، لكن لأن خيارًا واحدًا يحمل الغالبية العظمى من الكتلة الاحتمالية، فإن الرمز المُختار يكون تقريبًا دائمًا الخيار نفسه بغض النظر عن درجة الحرارة الدقيقة أو البذرة العشوائية المستخدمة.

المهام المفتوحة تتصرف بشكل مختلف تمامًا. "اكتب سيرة ذاتية قصيرة لموقع أعمالي" أو "اقترح خمسة أسماء لمقهى" لا يملكان استمرارًا صحيحًا واحدًا، لذا تنتشر الكتلة الاحتمالية عند كل رمز تقريبًا عبر خيارات معقولة كثيرة. الفروقات الصغيرة في أخذ العينات أو السياق أو إصدار النموذج تملك مساحة أكبر بكثير لإنتاج مخرجات مختلفة فعليًا، وهذا بالضبط نوع المهمة التي يلاحظ فيها المستخدمون غياب الحتمية بشكل موثوق.

هذا التمييز مفيد عمليًا: إذا كانت المهمة تملك إجابة واحدة صحيحة بوضوح، فالتفاوت مصدر إزعاج بسيط في أسوأ الأحوال. أما إذا كانت المهمة إبداعية أو تعتمد على الحكم بطبيعتها، فإن معاملة أي إجابة مُولَّدة واحدة على أنها مخرج نهائي ثابت خطأ، بغض النظر عن مدى ثقة الرد الظاهرة.

درجة الحرارة صفر ليست بالضبط حتمية حقيقية

حتى ضبط درجة حرارة النموذج على صفر بشكل صريح عبر واجهة برمجية، وهو ما يُجبر فك التشفير الجشع ويُزيل العشوائية المقصودة من خطوة أخذ العينات، لا يضمن مخرجات متطابقة بايتًا ببايت عبر استدعاءات متكررة. تأثيرات الفاصلة العائمة والتجميع الموصوفة سابقًا تعمل أسفل منطق أخذ العينات، لذا يمكن لاستدعاءين بمعاملات متطابقة أن ينحرفا أحيانًا، خصوصًا مع النماذج الأكبر المُوزَّعة على معالجات رسومية متعددة أو المُخدَّمة عبر بنى "خليط الخبراء" حيث يمكن أن يتغيّر التوجيه الدقيق لرمز معين إلى شبكة فرعية معينة من الخبراء قليلًا مع تركيبة الدفعة.

نشر بعض المزوّدين أعمالًا هندسية تهدف تحديدًا لسد هذه الفجوة، بإعادة هيكلة كود الاستدلال لجعل عمليات الفاصلة العائمة ثابتة بالنسبة للدفعة، بحيث ينتج طلب معين المخرج نفسه بغض النظر عمّا يُعالجه الخادم في تلك اللحظة. هذا العمل تحسين موثوقية مهم لمستخدمي واجهات البرمجة الذين يحتاجون إلى قابلية التكرار، لكنه يعالج مصدر التفاوت على مستوى العتاد، لا العشوائية على مستوى أخذ العينات التي تُقدّمها درجة حرارة غير صفرية عن قصد.

الخلاصة العملية أن "حتمي" و"درجة حرارة صفر" ليسا مصطلحين قابلين للتبادل تمامًا في الأنظمة التجارية الحالية، رغم أنهما يُستخدمان غالبًا وكأنهما كذلك.

كيف يظهر هذا بشكل مختلف عبر ChatGPT وClaude وGemini

كل منتج محادثة رئيسي يضيف طبقة سلوك خاصة به فوق الصورة التقنية المشتركة. واجهة ChatGPT الاستهلاكية يمكن أن تتضمن ذاكرة للمحادثات السابقة، وتعليمات مخصصة حفظها المستخدم، وبحسب الاستعلام، نتائج بحث ويب حية، وكل منها يُغيّر السياق الفعلي الذي يُغذّي النموذج. واجهات Claude على الويب والتطبيق تطبّق تعليمات نظام خاصة بها، ويمكن للحساب نفسه أن يُظهر تفاوتًا في المخرجات بناءً على تعليمات مخصصة على مستوى المشروع أعدّها المستخدم.

Gemini مدمج بعمق في منظومة منتجات جوجل الأوسع، مما يعني أن الرد يمكن أن يُشكَّله الاستناد إلى نتائج البحث، أو التطبيقات المتصلة، أو إعدادات التخصيص على مستوى الحساب التي تختلف من مستخدم لآخر. لا تُفصح أي من هذه المنتجات الثلاثة عن درجة حرارة أخذ العينات الافتراضية أو قيمة top-p علنًا، وقد أجرت الثلاثة تحديثات نموذج غير مُعلَنة في الماضي غيّرت أسلوب المخرجات دون تغيير إصدار مقابل يراه المستخدمون.

النتيجة أن سؤال "لماذا أعطاني ChatGPT وClaude إجابتين مختلفتين على السؤال نفسه" هو في الواقع سؤالان منفصلان مدموجان في واحد: بعض الاختلاف يأتي من تدريب كل مزوّد نموذجًا مختلفًا فعليًا، وبعضه يأتي من تغليف كل منتج لذلك النموذج بطبقة سياق وإعدادات مختلفة وغير مرئية إلى حد كبير.

لماذا هذا مهم خارج نطاق المحادثة العابرة

بالنسبة لشخص يطرح سؤالًا واحدًا في تبويب متصفح، التفاوت في المخرجات مجرد أمر مثير للفضول في الغالب. يصبح اهتمامًا هندسيًا حقيقيًا بمجرد تضمين سؤال داخل خط أنابيب آلي: روبوت دعم عملاء، أو سير عمل توليد محتوى، أو نص استخراج بيانات، أو مجموعة اختبارات آلية تتحقق من استيفاء مخرجات النموذج لمعايير معينة.

تعلّمت الفرق التي تبني فوق هذه النماذج، غالبًا بالطريقة الصعبة، أن سؤالًا تم التحقق منه مرة واحدة مقابل حفنة من حالات اختبار يدوية يمكن أن يفشل بشكل متقطع في الإنتاج، ليس لأن السؤال مكتوب بشكل سيئ، بل لأن التوزيع الأساسي للمخرجات المعقولة لم يُعاين بالكامل خلال الاختبار. سؤال نجح في تسعة من عشرة فحوصات يدوية قد يكون ببساطة يكشف، بصدق، أنه في مرة واحدة تقريبًا من كل عشر ينتج شيئًا مختلفًا.

هذا أيضًا سبب كون التقييم الجاد لسؤال أو منتج مبني على نموذج لغوي يتضمن عادة تشغيل المُدخل نفسه مرات عديدة وقياس تشتت المخرجات، بدلًا من تشغيله مرة واحدة ومعاملة النتيجة كأنها ممثِّلة.

طرق عملية لتقليل التفاوت، لا للقضاء عليه

بالنسبة لمن يبني عبر واجهة برمجية بدلًا من نافذة محادثة استهلاكية، الرافعة الأكثر مباشرة هي خفض درجة الحرارة، وحيثما يدعم المزوّد ذلك، تزويد بذرة عشوائية ثابتة، مما يُثبّت عملية أخذ العينات بأقصى ما يسمح به العتاد الأساسي. هذا يُضيّق تفاوت المخرجات بشكل كبير في معظم الاستخدامات اليومية، رغم أنه لا يُزيل تمامًا تأثيرات الفاصلة العائمة الموصوفة سابقًا.

الرافعة الأخرى، المتاحة للجميع بغض النظر عن الواجهة، هي تحديد السؤال بدقة. السؤال الغامض يترك للنموذج مجالًا واسعًا من الاستمرارات المعقولة والمتقاربة الجودة تقريبًا، وهذا بالضبط الموقف الذي تُنتج فيه عشوائية أخذ العينات المخرجات الأكثر اختلافًا بشكل واضح. السؤال الذي يحدد الدور والصيغة والطول والنبرة والقيود يُضيّق هذا المجال بشكل كبير، لأن عددًا أقل بكثير من الاستمرارات يستوفي كل المتطلبات المذكورة، مما يُقلّل ميكانيكيًا من مساحة التفاوت حتى قبل أي تغيير في معاملات أخذ العينات.

هذا جزء مما تحاول أدوات توليد الأسئلة حلّه. أداة Verbito على سبيل المثال، تأخذ فكرة خام من سطر واحد وتُوسّعها إلى سؤال أكثر اكتمالًا بتعليمات صريحة للدور والسياق وصيغة المخرجات قبل أن يصل إلى نموذج مثل ChatGPT أو Claude أو Gemini، على افتراض أن السؤال المحدد بشكل أكمل يُضيّق مجال المخرجات المعقولة وينتج نتائج أكثر ثباتًا عبر التشغيلات المتكررة. هي لا تلمس درجة حرارة أخذ العينات أو مصادر التفاوت على مستوى العتاد الموصوفة أعلاه، لذا ستظل النتائج غير متطابقة تمامًا بين الاستدعاءات، لكن تدقيق المُدخل يبقى إحدى الرافعات القليلة المتاحة للمستخدم العادي الذي لا يملك وصولاً إلى إعدادات مستوى واجهة البرمجة.

حين يكون التفاوت ميزة لا عيبًا

ليست كل حالة استخدام تريد إجابة واحدة ثابتة. جلسات العصف الذهني والكتابة الإبداعية وتوليد الأفكار تستفيد فعليًا من نموذج يُنتج زاوية مختلفة في كل مرة يُسأل فيها، لأن الهدف الكامل من التمرين هو استكشاف مجموعة من الخيارات لا التقارب نحو خيار واحد. إعادة توليد رد والحصول على شيء مختلف فعليًا هو، في هذه السياقات، الميزة وهي تعمل بشكل صحيح.

هذا أيضًا سبب تضمين معظم منتجات المحادثة الاستهلاكية زرّ "إعادة التوليد" أو "حاول مرة أخرى" بشكل ظاهر بدلًا من إخفاء حقيقة أن المخرجات تتفاوت. تصميم المنتج يفترض أن المستخدمين سيرغبون أحيانًا في محاولة ثانية، وبناء عشوائية حقيقية داخل عملية أخذ العينات الأساسية هو ما يجعل ذلك الزر مفيدًا لا عديم الجدوى.

المهارة العملية، إذن، هي التعرّف على الفئة التي تنتمي إليها مهمة معينة. استخراج رقم هاتف من مستند يستفيد من الاستقرار. صياغة خمسة عناوين مختلفة لسطر موضوع البريد الإلكتروني نفسه يستفيد من التنوع. الآلية الأساسية نفسها لأخذ العينات تُنتج كلتا النتيجتين؛ المهمة وحدها هي التي تحدد ما إذا كان التفاوت يساعد أو يضر.

ما الذي يمكن توقعه مستقبلاً

لدى المزوّدين حوافز تجارية واضحة لمنح عملاء واجهات البرمجة قابلية تكرار أكبر، إذ تحتاج الشركات التي تبني منتجات خاضعة للتنظيم أو حسّاسة من الناحية الأمنية إلى القدرة على شرح ومراجعة سلوك النموذج، وقد أنتج هذا الضغط بالفعل أعمالاً هندسية منشورة حول تقليل غياب الحتمية على مستوى العتاد. يُتوقع مزيد من الشفافية وضوابط قابلية تكرار أكثر وضوحًا على جانب واجهة البرمجة مع الوقت.

منتجات المحادثة الموجّهة للمستهلكين تخضع لمجموعة مختلفة من الحوافز. قدر معين من التنوع في الصياغة والبنية يجعل المحادثة العابرة تبدو أقل آلية وتكرارًا، لذا هناك ضغط قليل على المنتج لجعل واجهة المحادثة المجانية تتصرف كدالة حتمية، حتى مع أن البنية التحتية الأساسية تصبح قابلة للتحكم بدقة أكبر خلف الكواليس.

العادة الأكثر ثباتًا لأي شخص يعتمد على نص مُولَّد بالذكاء الاصطناعي، سواء لسؤال عابر أو نظام إنتاجي، هي نفسها التي تنطبق على أي مخرج من عملية احتمالية: عامل التوليد الواحد كعينة واحدة من نطاق إجابات معقولة، لا كإجابة نهائية قاطعة، وتحقق من أي شيء مهم فعليًا قبل التصرف بناءً عليه.

المصادر

  1. توثيق OpenAI — توليد النصوص ومعاملات أخذ العينات وإرشادات قابلية التكرار لمستخدمي واجهة البرمجة.
  2. توثيق Anthropic — مرجع واجهة Messages البرمجية الذي يغطي ضوابط درجة الحرارة وأخذ العينات.
  3. Google AI for Developers — توثيق واجهة Gemini البرمجية حول إعدادات التوليد ومعاملات أخذ العينات.
  4. Thinking Machines Lab — بحث هندسي حول ثبات الدفعة ومصادر غياب الحتمية في استدلال النماذج اللغوية.
  5. مدونة NVIDIA للمطورين — خلفية حول دقة الفاصلة العائمة والحوسبة المتوازية على المعالجات الرسومية.

الأسئلة الشائعة

هل ضبط درجة الحرارة على صفر يجعل النموذج حتميًا بالكامل؟

ليس تمامًا. درجة الحرارة صفر تُجبر فك التشفير الجشع، مما يُزيل العشوائية المقصودة في أخذ العينات، لكن فروقات التقريب في الفاصلة العائمة وتأثيرات تجميع المعالجات الرسومية قد تُسبب أحيانًا انحراف طلبين متطابقين ظاهريًا.

لماذا يُعطيني ChatGPT إجابات مختلفة عندما أطرح السؤال نفسه تمامًا في محادثة جديدة؟

تجتمع عدة عوامل: درجة حرارة أخذ العينات المدمجة في المنتج، وفروقات في تاريخ المحادثة أو إعدادات الحساب التي تُغذّي السياق، واحتمال أن تكون لقطة النموذج الأساسية قد حُدّثت منذ محادثتك الأخيرة.

هل هذا التفاوت خلل يجب الإبلاغ عنه لمزوّد الذكاء الاصطناعي؟

لا. إنه خاصية متوقعة وموثّقة جيدًا لكيفية توليد هذه الأنظمة للنصوص، وليس عطلًا، رغم أنه من المعقول الرغبة في اتساق أكبر لحالات استخدام إنتاجية محددة.

هل يمكنني الحصول على مخرجات متسقة وقابلة للتكرار للاختبار الآلي؟

يمكنك تقليل التفاوت بشكل كبير بخفض درجة الحرارة واستخدام بذرة عشوائية ثابتة عبر واجهة برمجية، وبكتابة أسئلة أكثر تحديدًا وتقييدًا، رغم أن قابلية التكرار المتطابقة بايتًا ببايت غير مضمونة لدى معظم المزوّدين الحاليين.

هل كتابة سؤال أوضح وأكثر تفصيلاً تُقلل التفاوت؟

نعم. السؤال الذي يحدد الصيغة والطول والنبرة والقيود يُضيّق نطاق الاستمرارات المعقولة، مما يُقلل ميكانيكيًا من مدى اختلاف المخرجات المتكررة، رغم أنه لا يُزيل التفاوت تمامًا.

عن الكاتب

نستند إلى التوثيق الرسمي لواجهات البرمجة من OpenAI وAnthropic وGoogle، إلى جانب أبحاث هندسية منشورة حول حتمية الاستدلال، لشرح خلفية هذا الموضوع والفهم الحالي له.

أعجبك هذا المقال؟

شاركه على واتساب ← شاركه على واتساب

احصل على مزيد من الأدلة في بريدك — اشترك في نشرتنا الإخبارية لقصص أسبوعية مثيرة من مصر والسعودية ودبي وأكثر.