AuthorStyle: جداسازی ریتم از محتوا برای تحلیل سبک‌شناختی محلی

اگر می‌خواهید هوش مصنوعی دقیقاً با لحن شما بنویسد، دیگر مجبور نیستید تمام اسناد محرمانه خود را در پرامپت‌های ابری بریزید. ابزار AuthorStyle با تحلیل محلی متون شما، یک پروفایل اندازه‌پذیر از عادت‌های نویسندگی‌تان می‌سازد تا شبیه‌سازی سبک، از یک «حدس هوشمندانه» به یک «فرآیند مهندسی‌شده» تبدیل شود. در حالی که اکثر ابزارهای شبیه‌سازی سبک بر روی «جعبه سیاه» پرامپت‌های طولانی تکیه می‌کنند، این ابزار CLI محلی با تحلیل یک مجموعه متون (Corpus) محلی، عاداتی قابل اندازه‌گیری از نویسنده استخراج می‌کند. این رویکرد به کاربران اجازه می‌دهد بدون ارسال اسناد خصوصی به ارائه‌دهندگان ابری، سبک نوشتاری خاصی را شبیه‌سازی کنند.

بیشتر کاربران در حال حاضر برای شبیه‌سازی سبک، نمونه‌های متنی را در یک مدل زبانی بزرگ (LLM) — مثل کتابخانه‌داری که میلیاردها صفحه را خوانده و حالا با همان لحن کتاب‌ها جواب می‌دهد — می‌ریزند و از آن می‌خواهند «شبیه این بنویس». طبق گزارش توسعه‌دهندگان این پروژه، این روش باعث تداخل دانش موضوعی نویسنده با سبک نوشتاری او می‌شود؛ یعنی مدل ممکن است موضوع متن را با لحن آن اشتباه بگیرد. نسخه آلفای این پروژه دقیقاً برای رفع این عدم شفافیت منتشر شده است تا از میان‌برهای وسوسه‌انگیز (مانند چسباندن اسناد در پرامپت) فاصله بگیرد.

تفاوت این دو رویکرد را می‌توان با نقاشی تصور کرد: یکی مثل این است که به نقاش بگویید «مثل ون‌گوگ بکش»، و دیگری مثل این است که نقشه‌ای دقیق از فرکانس ضربات قلم‌مو، پالت رنگی و بافت بوم او را به نقاش بدهید. AuthorStyle در واقع همان نقشه است و سبک را به جای یک «حس کلی»، مجموعه‌ای از معیارهای قابل اندازه‌گیری مثل ریتم جملات، نرخ نشانه‌گذاری و تنوع واژگانی می‌بیند.

زمینه و راه‌اندازی

همان‌طور که در تحلیل‌های پیشین ما درباره‌ی امنیت مدل‌های بازمتن اشاره کردیم، پردازش محلی داده‌ها تنها راه تضمین حریم خصوصی است. برای شروع کار با این ابزار، کاربر به پایتون ۳.۱۱ یا نسخه‌های جدیدتر و Git نیاز دارد. این پروژه تحت لایسنس MIT منتشر شده و از طریق اسکریپت کنسول authorstyle در دسترس است. برای کسانی که از شل‌های مشابه یونیکس استفاده می‌کنند، نصب شامل کلون کردن مخزن از آدرس https://github.com/paladini/authorstyle.git ،ایجاد یک محیط مجازی و نصب بسته با دستور pip install -e ".[dev]" است. افزودنی dev به طور خاص ابزارهای pytest و ruff را به وابستگی‌های زمان اجرا اضافه می‌کند.

کاربران ویندوزی در محیط PowerShell مسیر مشابهی را طی می‌کنند اما برای فعال‌سازی محیط خود از دستور .venv\Scripts\Activate.ps1 استفاده می‌کنند. پس از نصب، گردش کار با دستور authorstyle init <profile_id> آغاز می‌شود که پوشه‌ای در مسیر پیش‌فرض ~/.authorstyle/profiles/ می‌سازد. کاربران می‌توانند با استفاده از متغیر محیطی AUTHORSTYLE_HOME ،محل ذخیره‌سازی را تغییر دهند؛ این قابلیت به‌ویژه برای دایرکتوری‌های داده‌های مربوط به پروژه‌های خاص یا آزمایش‌های موقت بسیار مفید است.

خط لوله تحلیل (Analysis Pipeline)

این ابزار برای جلوگیری از نشت داده (Data Leakage) — یعنی نفوذ ناخواسته اطلاعات مجموعه آزمون به مجموعه آموزش — و تضمین دقت، از یک توالی سخت‌گیرانه پیروی می‌کند:

• استانداردسازی (Canonicalization): ابتدا اسناد استاندارد شده و موارد تکراری حذف می‌شوند. سپس خانواده‌های کامل اسناد پیش از هرگونه تکه‌بندی ساختاری، به دسته‌های آموزش (Train)، اعتبارسنجی (Validation) یا آزمون (Test) تقسیم می‌شوند.
• تکه‌بندی ساختاری: تکه‌بندی (Chunking) — شبیه بریدن یک کیک طولانی به تکه‌های کوچک برای بلع راحت‌تر توسط مدل — تنها پس از تعیین دسته‌ها انجام می‌شود. این ترتیب حیاتی است؛ زیرا تضمین می‌کند تکه‌های مربوط به یک سند واحد، به طور همزمان در چندین دسته ارزیابی نشت نکنند.
• استخراج ویژگی: سیستم ویژگی‌های استایلومتریک صریح را اندازه‌گیری می‌کند. این موارد شامل ریتم جملات و پاراگراف‌ها، نرخ نشانه‌گذاری، تنوع واژگانی، ساختار مارک‌داون و نسبت نثر فنی به کد است.
• خلاصه آماری: برای جلوگیری از اثر داده‌های پرت (Outliers)، ویژگی‌های عددی با استفاده از آمارهای مقاوم مانند میانه (Median)، انحراف مطلق میانه (MAD) و چندک‌ها (Quantiles) خلاصه می‌شوند.
• تفکیک بردار معنایی: پروژه بردار معنایی (Embedding) — مثل کارت معرفی عددی برای هر واژه که همسایگی آن با کلمات دیگر را نشان می‌دهد — را به دو بخش «سبک» و «معنا» تقسیم می‌کند. بردار سبک توصیف می‌کند که متن «چگونه» نوشته شده و بردار معنا می‌گوید متن «درباره چه چیزی» است. با این حال، متدولوژی پروژه هشدار می‌دهد که واژگان موضوعی تکراری همچنان می‌توانند شبیه به سبک به نظر برسند، زیرا تفکیک این مفاهیم نشت موضوعی را به طور کامل حذف نمی‌کند.

جذب داده‌ها و پروفایل‌سازی

کاربران می‌توانند با دستور authorstyle ingest <profile_id> <path> یک مجموعه متون را وارد کنند. لودر این ابزار از فرمت‌های .md ،.txt ،.html و .docx پشتیبانی می‌کند. برای کسانی که از مارک‌داون استفاده می‌کنند، می‌توان از YAML front matter اختیاری برای مشخص کردن «مود» یا حالت متن (مثلاً فنی، جستاری یا طنز) استفاده کرد. همچنین اگر دایرکتوری حاوی فایل‌هایی است که باید نادیده گرفته شوند، کاربران می‌توانند از فایل .authorstyleignore استفاده کنند.

پس از جذب داده‌ها، اجرای دستور authorstyle analyze باعث محاسبه پروفایل سبک می‌شود. به جای یک عدد مبهم برای شباهت، «کارت سبک» (Style Card) حاصل، گزاره‌های خاص را به معیارها و نمونه‌های واقعی متصل می‌کند. کاربران می‌توانند با دستور authorstyle profile show خلاصه پروفایل را ببینند یا با authorstyle exemplars تکه‌های نماینده سبک را بررسی کنند. سیستم از هر دو نوع پروفایل «سراسری» (Global) که تمام اسناد آموزشی را تجمیع می‌کند و پروفایل «مود» (Mode) که اسناد با مود یکسان را تجمیع می‌کند، پشتیبانی می‌کند. اگر شواهد کافی برای یک مود خاص وجود نداشته باشد، سیستم به پروفایل سراسری بازگشته و هشدار صادر می‌کند.

حریم خصوصی و حالت‌های تولید

حریم خصوصی مرز عملیاتی مرکزی این پروژه است. ابزار به صورت پیش‌فرض در حالت LOCAL_ONLY کار می‌کند، به این معنی که پروفایل‌سازی و تحلیل‌ها کاملاً روی دستگاه کاربر انجام می‌شود. هنگام استفاده از دستور authorstyle write ،سیستم کاندیداها، امتیازات اجزا، نمونه‌های بازیابی شده و متادیتای ارائه‌دهنده را ثبت می‌کند تا نتایج بازتولیدپذیر باشند.

کاربران بسته به نیاز خود می‌توانند سطح دسترسی به داده‌ها را تغییر دهند:

• LOCAL_ONLY: هیچ داده‌ای از دستگاه خارج نمی‌شود و فقط از ارائه‌دهندگان محلی یا شبیه‌ساز (Mock) استفاده می‌شود. متن خام مجموعه داده‌ها در طول پروفایل‌سازی محلی می‌ماند.
• REMOTE_PROFILE_ONLY: تنها کارت سبک تولید شده و تسک خاص به ارائه‌دهنده ابری ارسال می‌شود.
• REMOTE_EXEMPLARS: کارت سبک به همراه تکه‌های منتخب از متون اصلی (Exemplars) به ارائه‌دهنده ابری ارسال می‌شود.

ارزیابی و اعتبارسنجی

برای اثبات اینکه خروجی‌ها تصادفی یا یک حدس خوش‌شانس نیستند، AuthorStyle شامل یک دستور ارزیابی برای داده‌های کنار گذاشته شده است: authorstyle evaluate. این دستور خروجی را با چندین خط مبنا (Baseline) از جمله پیکربندی‌های Generic، Card، Examples، Hybrid و Full مقایسه می‌کند.

بر اساس مستندات پروژه، گزارش‌های ارزیابی بر محورهای زیر متمرکز هستند:

• فاصله بردار سبک (Style embedding distance)
• تطابق استایلومتریک صریح (Explicit stylometric fit)
• پایبندی به محتوا (Content adherence)
• سنجش‌های مربوط به طبیعی بودن (Naturalness heuristics)
• بررسی‌های اصالت (Originality checks)
• صدک‌های کالیبراسیون در برابر نوشته‌های واقعی نویسنده که کنار گذاشته شده بودند

با این حال، توسعه‌دهندگان هشدار می‌دهند که این معیارها برای مقایسه پیکربندی‌ها هستند، نه برای اثبات «اصالت» مطلق یک پاراگراف. AuthorStyle صراحتاً ادعا نمی‌کند که می‌تواند یک نویسنده را به طور کامل کلون کند، انتقال سبک مستقل از موضوع را تضمین کند یا به طور خودکار شخصیت و باورهای فرد را استخراج نماید.

امنیت و حالت‌های شکست

پروژه چندین مرز عملیاتی را شناسایی کرده است. دستور ingest در صورتی که مسیر مجموعه داده وجود نداشته باشد با شکست مواجه می‌شود و دستوراتی مانند profile show در صورت عدم مقداردهی اولیه، گزارش پروفایل مفقود را می‌دهند.

از نظر امنیتی، پروژه نسبت به کامیت کردن فایل‌های .env یا مجموعه‌های متنی خصوصی هشدار می‌دهد. سیاست امنیتی به طور خاص خطراتی مانند مدیریت ناامن فایل‌ها، تزریق پرامپت (Prompt Injection) از طریق کارت‌های سبک یا پرامپت‌های تولید، دسترسی‌های غیرمنتظره به شبکه و آسیب‌پذیری‌های وابستگی‌ها را ذکر کرده است. کاربران تشویق شده‌اند این موارد را به صورت خصوصی گزارش کنند.

الزامات فنی و سوالات متداول

این ابزار در حال حاضر در نسخه آلفا (۰.۱.۰) است و به پایتون ۳.۱۱ یا جدیدتر نیاز دارد. نکته مهم این است که AuthorStyle از تنظیم دقیق (Fine-tuning) — مثل وقتی به یک پزشک عمومی، تخصص پوست می‌دهیم تا روی یک حوزه دقیق شود — استفاده نمی‌کند، بلکه از یک خط لوله پروفایل‌سازی و تولید با رمزگذارهای (Encoders) قابل تعویض بهره می‌برد. اگرچه Fine-tuning به عنوان یک نقطه توسعه احتمالی ذکر شده، اما جزئی از ویژگی‌های MVP (حداقل محصول پذیرفتنی) نیست. علاوه بر این، استخراج پرسونا (توانایی بازتولید باورها یا بیوگرافی) در MVP به تعویق افتاده است؛ ابزار تنها الگوهای تکرارشونده استایلی را مدل‌سازی می‌کند.

این چرخش به سمت انتقال سبک «بازرسی‌پذیر»، این فرض را که تقلید هوش مصنوعی باید یک شعبده‌بازی باشد، تغییر می‌دهد. با تفکیک بردارهای سبک از بردارهای معنایی، ابزار تلاش می‌کند «چگونه» نوشتن را از «چه چیزی» که مورد بحث است، جدا کند.

برای کاربر نهایی، این به معنای کنترل بیشتر بر صدای دیجیتال است؛ شما دیگر مجبور نیستید اعتماد کنید که مدل سبک شما را «فهمیده است»، بلکه می‌توانید معیارهای واقعی ریتم و نشانه‌گذاری را که مدل سعی در تقلید از آن‌ها دارد، ببینید.

منتظر انتقال این پروژه از یک CLI آلفا به نسخه پایدار باشید. از آنجایی که مخزن فعلی دارای یک ورودی در changelog نسخه ۰.۱.۰ است اما هیچ ریلیز رسمی در گیت‌هاب ندارد، این راهنما شاخه main مستند شده را هدف قرار داده است. کاربرانی که نگران تغییرات شاخه‌ها (Branch Drift) هستند، باید یک کامیت خاص را در گردش کار بازتولیدپذیر خود تثبیت (Pin) کنند.

گام بعدی شما

• اگر مجموعه‌ای از نوشته‌های قدیمی خود را دارید، آن‌ها را در یک پوشه جمع کنید و با نسخه آلفای این ابزار، کارت سبک خود را بسازید.
• برای کاهش نشت داده‌ها، حتماً از فایل .authorstyleignore برای حذف متون نامرتبط یا حساس استفاده کنید.
• تفاوت خروجی‌های حالت LOCAL_ONLY و REMOTE_EXEMPLARS را بررسی کنید تا متوجه شوید ارسال نمونه‌های واقعی چه تأثیری بر کیفیت لحن دارد.

اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.