ملخص تقني: DIVERGE – التوليد المعزز بالاسترجاع المتنوع لتعزيز التنوع في البحث عن المعلومات مفتوحة النهايات

1. بيان المشكلة

تُصمم أنظمة التوليد المعزز بالاسترجاع (RAG) الحالية بشكل أساسي تحت افتراض أن كل استعلام له إجابة واحدة صحيحة واقعياً. يؤدي هذا النموذج إلى انهيار المعرفة في سيناريوهات البحث عن المعلومات مفتوحة النهايات (مثل العصف الذهني، أو دعم اتخاذ القرار، أو استكشاف وجهات النظر البديلة)، حيث توجد إجابات متعددة معقولة.

تحدد الورقة ثلاثة تحديات محددة تمنع أنظمة RAG القياسية من توليد مخرجات متنوعة:

• C1: انحياز الإجابة الواحدة: تشجع نماذج RAG على التوليد المفرط في الثقة، مما يجعل النماذج تعطي الأولوية لمجموعة فرعية ضيقة وعالية الثقة من السياقات المسترجعة بينما تتجاهل المعلومات البديلة ولكن المعقولة.
• C2: غياب الحفاظ على التنوع: تفتقر الآليات الحالية إلى استراتيجيات طويلة المدى للحفاظ على التنوع عبر عمليات توليد متعددة. ونتيجة لذلك، حتى مع وجود سياقات مسترجعة متنوعة، تنتج النماذج مخرجات متشابهة للغاية ومتجانسة بسبب الميول المتأصلة في النماذج اللغوية الكبيرة (LLMs).
• C3: محدودية القابلية للتطبيق العملي: تعتمد العديد من التقنيات الحديثة لتعزيز التنوع على الوصول إلى "اللوجيتس" (logits) على مستوى الرمز (token) أو معاملات فك التشفيد (decoding hyperparameters) المحددة (مثل درجة الحرارة temperature، أو top-p)، وهي أمور غير متاحة أو مقيدة في النماذج الأم مغلقة المصدر (مثل GPT-5، o3).

علاً على ذلك، تشير الورقة إلى أن مجرد زيادة تنوع الاسترجاع (على سبيل المثال، عبر إعادة الترتيب/re-ranking) لا يترجم إلى توليد متنوع، وأن الطرق القائمة على التلقين (prompting) غالباً ما تحقق التنوع على حساب تدهور كبير في الجودة.

2. المنهجية: إطار عمل DIVERGE

يقترح المؤلفون DIVERGE (التوليد المعزز بالاسترجاع المتنوع)، وهو إطار عمل وكيل (agentic) لنظام RAG قابل للتركيب والتشغيل الفوري (plug-and-play)، مصمم لنمذجة وجهات النظر المتنوعة صراحةً مع الحفاظ على جودة الإجابة. يعمل DIVERGE كعملية تكرارية دون الحاجة إلى الوصول إلى "لوجيتس" الرموز، مما يجعله متوافقاً مع أي نموذج لغوي كبير (LLM) كخلفية للنظام، بما في ذلك النماذج مغلقة المصدر.

يتكون إطار العمل من ثلاثة مكونات أساسية:

أ. توليد وجهات النظر الموجه بالتفكير (Reflection-Guided Viewpoint Generation)

للتخفيف من انحياز الإجابة الواحدة (C1)، يعامل DIVERGE سمات النموذج الكامنة كـ "وجهات نظر".

1. التهيئة: يقوم النظام بتوليد استجابة RAG أولية وتلخيصها لاستخراج وجهات النظر الموجودة.
2. التفكير (Reflection): في التكرارات اللاحقة، يتأمل النموذج في مجموعة وجهات النظر التي تم استكشافها سابقاً.
3. تحديد وجهات النظر الجديدة: يحدد النموذج وجهة نظر جديدة غير مغطاة بشكل كافٍ تقدم منظوراً متميزاً للاستعلام الأصلي، مما يضمن عدم انهيار عملية التوليد في موقف مهيمن واحد.

ب. الاسترجاع الواعي بوجهات النظر (Viewpoint-Aware Diversity Retrieval)

لمعالجة نقص الأساس الواقعي لوجهات النظر الافتراضية (C2)، يدمج DIVERGE آلية استرجاع تستعلم من الويب المفتوح عن أدلة خاصة بوجهة النظر المحددة.

• توليد الاستعلام: يولد النموذج استعلاماً مشروطاً بوجهة النظر الجديدة.
• إعادة ترتيب مدركة للتنوع: يستخدم المسترجع صيغة موسعة من الارتباط الأقصى للمعلومات ذات الصلة (MMR). تقوم هذه الصيغة بتقييم المستندات بناءً على:
  1. الصلة بالاستعلام المشروط بوجهة النظر الحالية.
  2. التنوع بالنسبة للمستندات التي تم استرجاعها في التكرارات السابقة (الذاكرة).
  3. التنوع بالنسبة للمستندات المختارة ضمن التكرار الحالي.
     يضمن ذلك أن الأدلة المسترجعة تدعم وجهة النظر المحددة مع تجنب التكرار مع المعلومات التي تم استكشافها سابقاً.

ج. التوليد والتحسين المشروط بوجهة النظر (Viewpoint-Conditioned Generation and Refinement)

لسد الفجوة بين وجهة نظر محددة وقصد المستخدم الأصلي، يستخدم DIVERGE عملية توليد من خطوتين:

1. التوليد المشروط: يولد النموذج استجابة مشروطة صراحةً بكل من الاستعلام الأصلي ووجهة النظر المستهدفة.
2. التحسين (Refinement): يتم تحسين الاستجابة المولدة لضمان بقائها متماسكة منطقياً، ودقيقة واقعياً، وتخاطب استعلام المستخدم الأصلي مباشرة، مما يمنع الانحراف المفرط مع الحفاظ على التنوع الذي أدخلته وجهة النظر.

3. مقاييس التقييم

إدراكاً منها بأن المقاييس القياسية التي تعتمد على الإجابات الأرضية (ground-truth) غير مناسبة للمهام مفتوحة النهايات، قدم المؤلفون مجموعة تقييم مبتكرة تركز على المفاضلة بين التنوع والجودة:

• التنوع الدلالي ($D_{sem}$): يقيس التباين في المعنى عبر الاستجابات المولدة باستخدام المسافة الجيبية (cosine distance) بين تضمينات (embeddings) الإجابات.
• تنوع وجهات النظر ($D_{view}$): يفكك الاستجابات إلى ادعاءات ذرية (وجهات نظر) ويقيس نسبة الادعاءات غير المتداخلة متبادلاً عبر مجموعة الاستجابات. يلتقط هذا التنوع داخل الاستجابة الذي قد تغفله المقاييس الدلالية.
• درجة الجودة: يتم تقييمها باستخدام نموذج "النموذج اللغوي كحكم" (LLM-as-a-Judge)، لتقييم الدقة الواقعية، ودعم الأدلة، والاتساق الداخلي، وصلة السؤال.
• الدرجة التوافقية الموحدة للتنوع والجودة ($U_{Q}$): هي المتوسط التوافقي (harmonic mean) لدرجات التنوع والجودة المعيرة، مما يوفر مقيساً واحداً لمقارنة أداء المفاضلة بين الطرق المختلفة.

4. النتائج التجريبية

تم تقييم إطار العمل على Infinity-Chat، وهو اختبار مرجعي (benchmark) حقيقي للاستعلامات مفتوحة النهايات التي لا تملك إجابة أرضية. استخدمت التجارب نماذج GPT-5-mini و GPT-5.1.

• الأداء: حقق DIVERGE أعلى درجة موحدة (Unified Score) عبر جميع الطرق وتكوينات النماذج.
• مكاسب التنوع: مقارنة بالعينات المستقلة (التلقين المباشر)، حسن DIVERGE التنوع الدلالي بنحو 2.5 ضعف وتنوع وجهات النظر بنحو 1.6 ضعف.
• الحفاظ على الجودة: على عكس الخطوط المرجعية القائمة على التلقين (مثل Verbalized Sampling) التي عانت من تدهور كبير في الجودة، حافظ DIVERGE على جودة إجابة مماثلة، مع انخفاض طفيف فقط (~0.04) في درجة الجودة.
• المقارنة مع الخطوط المرجعية: فشلت عمليات RAG القياسية واستراتيجيات تعزيز التنوع البسيطة (مثل خلط السياق، أو تعدد الاستعلامات) في زيادة التنوع بشكل ملحوظ، وغالباً ما أدت إلى درجات موحدة أقل.

5. الأهمية والادعاءات

تدعي الورقة أن DIVERGE يعالج قصوراً منهجياً في الأنظمة الحالية القائمة على النماذج اللغوية الكبيرة: الفشل في الاستفادة من السياقات المسترجعة المتنوعة للبحث عن المعلومات مفتوحة النهايات.

• التخفيف من حدة التجانس: من خلال نمذجة التنوع صراحةً عبر التفكير والتحسين التكراري، يثبت DIVERGE أنه من الممكن التغلب على نزعات التجانس في النماذج الأم دون الحاجة لإعادة التدريب أو الوصول إلى حالات النموذج الداخلية (اللوجيتس).
• القابلية للتطبيق العملي: تم تصميم إطار العمل كحل "قابل للتركيب والتشغيل الفوري" متوافق مع النماذج مغلقة المصدر، مما يجعله قابلاً للتطبيق الفوري في سيناريوهات النشر الواقعية حيث تكون ضوابط فك التشفيد مقيدة.
• الأثر الأخلاقي والمجتمعي: يجادل المؤلفون بأن تعزيز التنوع في استجابات الذكاء الاصطناعي يساعد في التخفيف من خطر المخرجات المتجانسة التي تبالغ في تمثيل وجهات النظر الاجتماعية أو الثقافية المهيمنة، مما يدعم وصولاً أكثر عدلاً وشمولاً للمعلومات ويعزز الإبداع البشري.

تخلص الدراسة إلى أن نمذجة التنوع صراحةً هي مسار قابل للتطبيق لموازنة الأهداف المتعارضة غالباً بين تنوع الاستجابة والموثوقية الواقعية في أنظمة RAG مفتوحة النهايات.