Conflict-Aware Fusion: Mitigating Logic Inertia in Large Language Models via Structured Cognitive Priors

إليك ملخص تقني مفصل لورقة البحث بعنوان: "الدمج الواعي بالصراع: التخفيف من القصور المنطقي في النماذج اللغوية الكبيرة عبر الأولويات المعرفية المهيكلة."

1. بيان المشكلة: القصور المنطقي (Logic Inertia)

تحدد الورقة نمط فشل حرج في النماذج اللغوية الكبيرة (LLMs) يُطلق عليه اسم "القصور المنطقي" (Logic Inertia). فبينما تحقق النماذج اللغوية الكبيرة (مثل BERT وQwen2 وTinyLlama) دقة تقترب من الكمال في مهام الاستدلال القياسية، فإنها تظهر "انهياراً تاماً" (دقة 0%) عندما يتم المساس بالسلامة الهيكلية لنظام القواعد.

• الظاهرة: يُعرَّف القصور المنطدي بأنه ميل النموذج للاستمرار في مسارات استنتاجية متعلمة حتى عندما تكون المقدمات الأساسية متناقضة أو مفقودة. فالنماذج تعطي الأولوية لـ "إكمال السلسلة الاستنتاجية" على حساب "التحقق من صحة المقدمات".
• الفجوة: تخلط التقييمات الحالية بين الكفاءة اللغوية والمتانة المنطقية. وتفشل الاختبارات المرجعية الحالية في عزل حالات الفشل الهيكلية المحددة، مثل عدم القدرة على اكتشاف التناقضات أو الفشل في مراجعة الاستنتاجات عند حذف قواعد أساسية.
• النقطة العمياء: تجادل الورقة بأن توسيع نطاق البيانات وحجم النماذج وحده لا يكفي. فنماذج التدريب الحالية تعمل على تحسين "إكمال الأنماط" بدلاً من "التحقق الهيكلي"، مما يؤدي إلى مخرجات واثقة ولكنها غير صالحة منطقياً في وجود تناقضات.

2. المنهجية

تقترح المؤلفة إطار عمل شاملاً يتكون من اختبار مرجعي تشخيصي وحل معماري مبتكر.

أ. الاختبار المرجعي للمتانة الهيكلية

لتشخيص حالات الفشل هذه، أنشأت المؤلفة إطار تقييم محكماً مستمداً من نظام واحد قائم على القواعد، مع تطبيق أربعة اختبارات جهد محددة:

1. حذف القواعد: التمييز بين إزالة القواعد الفائضة عن الحاجة (التي لا ينبغي أن تؤثر على الإجابة) مقابل القواعد الأساسية (التي يجب أن تبطل الاستنتاج).
2. حقن أدلة متناقضة: إدخال تناقضات صريحة في مجموعة المقدمات لاختبار ما إذا كان النموذج سيوقف الاستدلال أم سيقوم بـ "هلوسة" استنتاج.
3. إعادة الصياغة المحافظة على المنطق: اختبار الثبات تحت إعادة الصياغة القائمة على التكافؤ للقواعد.
4. تراكم تكافؤ القوانين المتعددة: اختبار المتانة التركيبية تحت تفاعلات القواعد المعقدة.

النتيجة الرئيسية: حققت النماذج الأساسية دقة 1.0000 في المهام الأساسية، لكنها انخفضت إلى 0.0000 في اختبارات التناقض، مما يؤكد عالمية ظاهرة "القصور المنطقي".

ب. بنية الدمج الواعي بالصراع (Fusion-Conflict)

للتخفيف من القصور المنطقي، تقدم المؤلفة بنية Fusion-Conflict، القائمة على فرضية البنية المعرفية: الاستدلال الموثوق متعدد الخطوات يتطلب فصلاً هيكلياً صريحاً بين التحقق من المقدمات والتنفيذ الاستنتاجي.

تفرض البنية هيكلاً استدلالياً يعتمد على "النظام المزدوج" (Dual-Process) ضمن توليد سلسلة الأفكو (CoT):

• النظام 2 (التحقق): خطوة أولى إلزامية حيث يقوم النموذج صراحةً بالتحقق من التناقضات واكتمال المقدمات.
• النظام 1 (الاستنتاج): لا يستمر في العمل إلا إذا أكدت خطوة التحقق الاتساق المنطقي. وإذا تم العثور على تناقض، يجب على النموذج "التوقف" بدلاً من الاستمرار.

ج. مسار التحسين المتوافق مع البنية

يستخدم إطار العمل مسار تدريب يتكون من مرحلتين لترسيخ هذا الانحياز الهيكلي:

1. الضبط الدقيق الخاضع للإشراف الهيكلي (SFT): تم التدريب على 11,200 حالة (حالات قياسية، ومضطربة، ومتناقضة). تفرض جميع العينات تمهيداً إلزامياً هو "الخطوة 1: تحقق من الحقائق". وهذا يرسخ عملية فحص المقدمات كخطوة إجرائية افتراضية.
2. تحسين التفضيل المباشر (DPO): يُستخدم لصقل سلوك النموذج. يتم بناء أزواج التفضيل حيث يكون الرد "المفضل" هو الذي يكتشف التناقض بشكل صحيح ويتوقف، بينما الرد "المرفوض" هو الذي يستمر في الاستنتاج رغم وجود التناقض. وهذا يعاقب "الهلوسة" في عمليات التحقق ويعزز الانضباط في إنهاء العملية.

3. المساهمات الرئيسية

1. اختبار مرجعي تشخيصي: إطار موحد يفصل بين تأثيرات التكرار، وعدم الاكتمال، والتناقض، ويكشف عن "عدم تماثل المتانة" (الثبات العالي في إعادة الصياغة مقابل الانهيار التام في التناقضات).
2. صياغة "القصور المنطقي": تحديد وتسمية نمط الفشل المحدد حيث يتجاوز الزخم الاستنتاجي الواقع الفعلي، وهو قصور لا يمكن رؤيته تحت الاختبارات التقليدية.
3. إطار Fusion-Conflict: بنية مبتكرة تدمج التحقق الصريح من المقدمات في مسار الاستدلال، مما يثبت أن انضباط التحقق الهيكلي لا يقل أهمية عن حجم بيانات التدريب.

4. النتائج التجريبية

أُجريت التجارب على نماذج BERT وQwen2-1.5B وTinyLlama-1.1B.

• أداء النموذج الأساسي: حققت النماذج القياسية 1.0000 في المهام الأساسية ولكن 0.0000 في اختبارات التناقض (النوع 3)، مما يؤكد وجود "القصور المنطقي".
• أداء Fusion-Conflict:
  • التعامل مع التناقض (النوع 3): حقق دقة 1.0000 (اكتشاف مثالي للتناقضات وإيقاف الاستدلال).
  • أداء المهمة الأساسية: حافظ على دقة 1.0000.
  • حذف القواعد الأساسية (النوع 2): حقق دقة 0.735، وهو تحسن كبير عن النماذج الأساسية (التي انخفضت إلى ~0.25)، وإن كان أقل قليلاً من الأداء الأساسي، مما يشير إلى تحدٍ متبقٍ فيما يتعلق بالأدلة المفقودة (مقابل المتناقضة).
• دراسات الاستئصال (Ablation Studies):
  • SFT فقط (Fusion-LRA): حسّن التعامل مع التناقض إلى 0.705 ولكنه فشل في الوصول إلى 1.000، مما يشير إلى أن SFT يعلم شكل التحقق وليس الانضباط في التوقف.
  • SFT + DPO (Fusion-Conflict): كانت مرحلة DPO حاسمة، حيث رفعت دقة التناقض من 0.705 إلى 1.000 عبر معاقبة "المحاذاة السطحية" (أي هلوسة نجاح عملية التحقق).
• التعميم خارج نطاق التوزيع (OOD): تم اختبار النموذج على مجموعات بيانات من العالم الحقيقي (LogicNLI و MNLI) دون تدريب دقيق عليها.
  • LogicNLI: تحسن من 58.5% (النموذج الأساسي) إلى 98.2%.
  • MNLI (مجموعة التناقض الفرعية): تحسن من 34.1% إلى 89.4%.
    هذا يؤكد أن الأولوية الهيكلية تنتقل إلى الاستدلال باللغة الطبيعية، وليس فقط المنطق الاصطناعي.

5. الأهمية والآثار المترتبة

• التحول من التركيز على البيانات إلى التركيز على البنية: تتحدى الورقة الافتراض بأن توسيع نطاق البيانات وحده يحقق استدلالاً موثوقاً. وتفترض أن آليات التحقق الهيكلي ضرورية لفرض الاتساق المنطقي.
• العملية مقابل التلقين (Process Over Prompting): على عكس الطرق التي تعتمد على التلقين (Prompting) فقط، يفرض Fusion-Conflict التحقق كـ قيد هيكلي مُتعلم من خلال SFT وDPO، مما يجعل خطوة التحقق جزءاً أصيلاً من عملية توليد النموذج.
• السلامة والموثوقية: يوفر الإطار مخططاً لأنظمة ذكاء اصطناعي "واعية بالشك"، قادرة على إدراك متى تكون المقدمات غير صالحة. وهذا أمر بالغ الأهمية في المجالات عالية المخاطر مثل التحليل القانوني والاكتشاف العلمي حيث تكون الإجابات "الواثقة ولكن الخاطئة" غير مقبولة.
• آلية "قاطع الدائرة" (Circuit Breaker): يعمل تمهيد "الخطوة 1: تحقق من الحقائق" كقاطع دائرة وظيفي، مما يمنع "النظام 1" الحدسي للنموذج من تجاوز الواقع الفعلي، مما يسد الفجوة بين ثبات الشكل الدلالي وموثوقية المحتوى المنطقي.

في الختام، تثبت الورقة أنه من خلال الفصل الصريح بين التحقق من المقدمات والاستنتاج، وتعزيز هذا الفصل عبر تحسين التفضيل، يمكن للنماذج اللغوية الكبيرة التغلب على "القصور المنطقي" وتحقيق استدلال قوي وقابل للتحقق.