تصور کنید می‌خواهید برای یک سفر پیچیده برنامه بریزید؛ احتمالاً ابتدا چند سایت مختلف را می‌بینید، قیمت‌ها را مقایسه می‌کنید و سپس تصمیم می‌گیرید. حالا باید بدانید که ChatGPT دقیقاً همین رفتار انسانی را در پس‌زمینه تکرار می‌کند.
طبق گزارش منتشر شده در ۷ جولای ۲۰۲۶، پژوهشگری به نام سگانثان (Suganthan) با تحلیل ترافیک شبکه متوجه شد که این مدل به‌جای تولید سریع یک پاسخ، ابتدا در نقش یک کارآگاه دیجیتال وارد عمل می‌شود. او مشاهده کرد که مدل برای رسیدن به پاسخ نهایی، فعالانه منابع مختلف را با هم مقایسه می‌کند تا ابهامات را برطرف کند.
بیشتر کاربران تنها «غذای آماده» یا همان پاسخ نهایی را می‌بینند، اما این تحلیل فنی، «لیست خرید» مدل را افشا می‌کند. در واقع مدل ابتدا وب‌سایت‌های مختلف را شناسایی کرده، آن‌ها را بازدید می‌کند و سپس محتوا را ارزیابی می‌کند؛ درست مثل مدل زبانی بزرگ (LLM) — که شبیه کتابخانه‌داری است که میلیاردها صفحه را خوانده و حالا با همان لحن کتاب‌ها جواب می‌دهد — اما اینجا مدل از داده‌های لحظه‌ای وب برای اصلاح پاسخ خود استفاده می‌کند. همان‌طور که در تحلیل قبلی ما درباره‌ی olmOCR اشاره کردیم، تمرکز آن ابزار بر کاهش هزینه استخراج داده از PDFهای ایستا بود، اما مکانیزم فعلی ChatGPT با پردازش پویا و تعاملی وب متفاوت است.
بر اساس مستندات suganthan.com، سازوکار جست‌وجوی این مدل از یک الگوی تکرارشونده پیروی می‌کند:
- مدل هرگز به اولین نتیجه‌ای که می‌بیند اکتفا نمی‌کند.
- چندین وب‌سایت را برای مقایسه قیمت‌ها، نقدها یا ادعاهای واقعی بررسی می‌کند.
- از پرس‌وجوهای هدفمند استفاده می‌کند؛ مثلاً به‌جای جست‌وجوی کلی، عباراتی شبیه به «بهترین هتل‌های نزدیک به [یک مکان خاص]» را می‌سازد تا دایره جست‌وجو را محدود و دقیق کند.
این شفافیت نشان می‌دهد که «هوش» مدل در وب‌گردی، مستقیماً به توانایی آن در تکرار و تطبیق منابع وابسته است. برای کاربر عادی، این یعنی کیفیت پاسخ‌های وب‌محور کمتر به داده‌های آموزشی داخلی مدل و بیشتر به «استراتژی جست‌وجو» و کیفیت منابع موجود در وب بستگی دارد.
بر اساس بررسی این رفتار، شما می‌توانید نتایج بهتری بگیرید اگر مدل را مجبور کنید نسبت به اولین یافته‌هایش شکاک باشد. برای فعال کردن این رفتار پژوهشی عمیق، از مدل بخواهید پیش از ارائه توصیه نهایی، صراحتاً سه منبع مختلف را با هم مقایسه کند. این رویکرد تکاملی در تعامل با مدل، یادآور استفاده از بسته‌های پرامپت برای جایگزینی روش‌های آزمون و خطا است که دقت خروجی‌های ChatGPT را افزایش می‌دهد.
گام بعدی شما
- در پرامپت‌های بعدی، عبارت «منابع مختلف را مقایسه و متناقضات را استخراج کن» را اضافه کنید.
- تفاوت دقت پاسخ‌های کوتاه با پاسخ‌های حاصل از «مقایسه منابع» را در موضوعات حساس بسنجید.
- بررسی کنید که آیا مدل در مواجهه با منابع متضاد، قادر به تشخیص منبع معتبرتر است یا خیر.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو