بقلم: ليلى | محررة أدوات المطورين · صوت تحريري بإشراف بشري
أطلقت Mistral نموذجها الجديد Shieldstral، وهو مصنّف أمان متعدد الوسائط بحجم 3 مليار معامل مفتوح المصدر بالكامل تحت رخصة Apache 2.0، (متاح للتحميل على Hugging Face). ما يميّز هذا النموذج ليس حجمه الصغير، بل أنه يتفوق على نماذج يبلغ حجمها 7 أضعافه عبر أربعة محاور: أمان النصوص، كشف الرفض، التكيّف مع السياسات، وأمان الصور (وفقاً لـ Mistral).
المشكلة التي يحلّها Shieldstral ليست تقنية بحتة، بل تصميمية في جوهرها. معظم نماذج الحراسة الحالية تُخبّئ تصنيفات الضرر داخل الأوزان، فإذا أردت إعادة توجيهها لسياق نشر مختلف — منصة صحة نفسية مقابل أداة أبحاث أمن سيبراني — فأنت أمام خيار واحد: إعادة التدريب. Shieldstral يكسر هذه المعادلة بصياغة الإشراف على المحتوى كمهمة إجابة على أسئلة ثنائية: تكتب السياسة كسؤال بلغة طبيعية عند وقت الاستدلال inference، والنموذج يُعيد درجة أمان مدرّجة استناداً إلى احتمالية “نعم/لا”، دون الحاجة إلى إعادة تدريب.
كل طلب تقييم يتكوّن من ثلاثة مكوّنات: Instruct الذي يحدد سياق التقييم ومستوى الصرامة وتعريف المحتوى غير الآمن، وQuery وهو السؤال الثنائي المباشر مثل “هل يحرّض هذا المحتوى على العنف الجسدي؟”، وDocument الذي يمثّل المحتوى المراد تقييمه سواء كان نصاً أو صورة أو مزيجاً منهما. النموذج لا يقرأ إلا logits كلمتَي “نعم” و”لا” ويُطبّق softmax للحصول على درجة مستمرة، ما يعني أنك تستطيع التعامل مع المخرجات كأرقام قابلة للترتيب لا مجرد تصنيفات جامدة. هذه الصياغة الواحدة تُوحّد أربع مهام مختلفة: تصنيف المطالبات، تصفية الردود، كشف الرفض، وكشف المحتوى السام.
تشغيل النموذج لا يتطلب سوى GPU واحد بذاكرة 16GB، مما يجعله خياراً عملياً لأي فريق يبني منتجاً يحتاج طبقة حماية دون الاستعانة بخدمة سحابية مدفوعة. وبوصفه عضواً مؤسساً في Open Secure AI Alliance مع NVIDIA وشركاء آخرين، تضع Mistral هذا النموذج صراحةً في سياق بناء بنية تحتية أمان مفتوحة للذكاء الاصطناعي.
الجزء الأكثر إثارة للاهتمام في التقرير التقني هو الكيفية التي بُني بها النموذج، إذ تكشف عن أربعة قرارات منهجية غير تقليدية:
- توحيد البيانات غير المتجانسة: مجموعات بيانات السلامة العامة تتعارض في تصنيفاتها واصطلاحاتها، من علامات ثنائية آمن/غير آمن إلى تصنيفات متعددة الأبعاد. الفريق حوّل كل مجموعة إلى صيغة Instruct-Query-Document موحّدة مع محوّل خاص لكل مصدر، وطوّع مستوى الصرامة بحسب طبيعة البيانات، صارم مع محاولات الاختراق jailbreaks ومرن مع بيانات جودة الردود.
- تدريب على التمييز لا الحفظ: بدلاً من تعليم النموذج تصنيفات محددة مسبقاً، بنى الفريق مجموعات من السياسات المتشابهة المتقاربة وطلب من نموذج لغوي كبير إعادة كتابة نصوص آمنة إلى أزواج متعاكسة: كل نسخة معاد كتابتها تنتهك سياسة واحدة بعينها دون غيرها. هذا يُعلّم النموذج تمييز حدود السياسة بدقة، وهي مهارة تنتقل إلى سياسات جديدة يُعرّفها المستخدم عند التشغيل.
- تأريض أمان الصور في الواقع: لأن الصور غير الآمنة لا يمكن توليدها اصطناعياً كالنصوص، البيانات البصرية شحيحة. الحل كان تكميل مجموعات بيانات الإشراف المحدودة بمجموعات صور للأغراض العامة كأمثلة سلبية عالية الجودة، مع تطبيق مُعيد ترتيب Vision-Language لتصفية البيانات المصنّفة خطأً والهلوسات.
- دمج نقاط تفتيش متكاملة: التدريب الدقيق fine-tuning تمّ بـ LoRA، ثم دُمجت ثلاثة نقاط تفتيش checkpoints عبر SLERP: واحدة معايَرة على البيانات العامة، وثانية تضيف تمييزاً دقيقاً للسياسات من البيانات المولّدة، والنموذج الأساسي instruct. هذا الدمج يستعيد دقة معايرة السياسات العامة وقدرة التكيّف معاً في نموذج واحد.
بُني Shieldstral بالكامل على منصة Forge الداخلية من Mistral، التي أدارت البنية التحتية وتقسيم البيانات والنماذج والمقاييس والسجلات. يُذكّر هذا الأسلوب بما رصدناه في إطار Orchard من مايكروسوفت، حيث تصير الأدوات الداخلية جزءاً من الرواية التقنية الخارجية أيضاً.
السؤال المشروع الذي لا تجيب عنه Mistral صراحةً هو أداء النموذج على اللغات غير الإنجليزية، بما فيها العربية. الشركة تُشير إلى أن التغطية متعددة اللغات والمتانة على المستندات الطويلة هما من أولويات التطوير القادمة، وهو اعتراف ضمني بأن النموذج في حالته الراهنة قد يُقدّم أداءً أقل اتساقاً خارج البيئة الإنجليزية. لمن يبني منتجات عربية بذكاء اصطناعي، هذه نقطة تستحق الاختبار قبل الاعتماد الكامل.
