يمكن أن تؤدي الاستفسارات غير اللائقة إلى زيادة تكاليف ChatGPT في الشركات

إجابات ChatGPT تحرق المزيد من الرموز عند التحدث بشكل غير لائق معها ، مما يزيد من فاتورتك الشركات ؛ ولكن قول “من فضلك” يمكن أن يقلل من التكاليف.

يقال أن اللياقة البدنية لا تكلف شيئًا ؛ ولكن ما هي تكلفة عدم اللياقة؟ فيما يتعلق بدفع مقابل ChatGPT ، تكلفة كبيرة جدًا ، وفقًا لدراسة جديدة من الولايات المتحدة. تقول الورقة الجديدة ، من جامعة آيوا ، إن التحدث بشكل غير لائق مع ChatGPT يزيد من تكلفة الإجابات – حتى إذا كانت الإجابات هي نفسها للأسئلة اللائقة وغير اللائقة.

ويقول المؤلفون:

‘سعر الرموز الناتجة هو 12 دولارًا لكل مليون رمز ناتج ل GPT4. نجد أن الأسئلة غير اللائقة تؤدي إلى أكثر من 14 رمزًا إضافيًا وهو ما يعادل زيادة في التكلفة بنسبة 0.000168 دولار لكل سؤال في المتوسط. ويتجاوز متوسط الاستفسارات اليومية ل API OpenAI 2.2 مليار سؤال.

‘مقارنة بالسيناريو الذي يكون فيه جميع الأسئلة لائقة ، عندما تكون الأسئلة غير لائقة ، فإن هذا يولد إيرادات إضافية تبلغ 369 ألف دولار في اليوم ، فقط بسبب زيادة الرموز التي تنتجها الأسئلة غير اللائقة في النتيجة.’

على الرغم من أن النتيجة مثيرة للاهتمام في حد ذاتها ، يشدد المؤلفون على أن هذا السلوك غير العادي قد يشير إلى مجموعة متنوعة من العيوب غير المعروفة حتى الآن في تكوين الإنسان / الذكاء الاصطناعي ، بعضها أو كلها قد يكون لها آثار مالية. فيما يتعلق بالسبب الذي يجعلك دفع المزيد من الرموز عند التحدث بشكل غير لائق ، لا يطرح المؤلفون أي تخمين.

为了 تأكيد صحة هذا المرض ، قاموا بكتابة أسئلة حقيقية ل ChatGPT مرة أخرى ، مع تبديل قيم اللياقة ، مع الحفاظ على المعنى. ثم تم إطعام كلا الإصدارين إلى نموذج GPT-4-Turbo ، وتم قياس الفرق في عدد الرموز الناتجة المستخدمة في الإجابات.

الاستنتاجات التي تم التوصل إليها هي تحد قوي للاخبار التي تم نشرها في وقت سابق من هذا العام ، حيث شكى سام ألتمان من أن اللياقة كانت تكلف OpenAI ملايين الدولارات المحتملة فيما يتعلق بمعالجة الرموز المتعلقة باللياقة (مثل ‘من فضلك’). كما أشارت الأبحاث المنشورة في نفس الفترة إلى أن اللياقة لم تكن لها قيمة فيما يتعلق بالحصول على إجابات أفضل (على الرغم من أنها لم تتعامل مع إجابات أرخص).

إذا كانت استنتاجات الورقة الجديدة صحيحة ، فإن أي مستخدمين من الشركات ل ChatGPT الذين اتبعوا هذا النهج سيدفعون أكثر مقابل استدلال ChatGPT في عام 2025 أكثر من المستخدمين الذين يقدمون الحد الأدنى من اللياقة في التبادلات مع ChatGPT.

يقترح المؤلفون أن أحد العلاجات المحتملة قد يكون تحديد سقف للرموز في الإجابات ، على الرغم من أن هذا ليس نهجًا يمكن أن تنفذه أنظمة LLM بسهولة. ويلاحظون أن التوجيه هو أداة ضعيفة للسيطرة على التكلفة ، لأن أنظمة LLM تعاني من اتباع تعليمات الطول الصريحة. في معظم الحالات ، لن يتم اتباع هذا التوجيه “التحديد” ؛ بالإضافة إلى ذلك ، قد يتم تقصير الإجابة ، لأن أنظمة LLM من هذا النوع تعتمد على تخمين الكلمة التالية المحتملة في الجملة / الفقرة ، ولا تعرف كيف تنتهي القصة – أو أين تنتهي القصة – حتى يتم завершة المعالجة.

ناقصًا حلاً دقيقًا – على الرغم من اقتراحهم أن نهجًا أكثر شفافية في التسعير يجب أن يتم تطبيقها في حالات من هذا القبيل – يخلص المؤلفون إلى:

‘المنطق التقليدي يقترح أن لياقة التوجيه غير ضرورية عند التفاعل مع LLMs.

‘في المقابل ، يعمل عملنا على إثبات أن الأسئلة غير اللائقة تزيد من الرموز الناتجة ، مما يولد تكاليف إضافية للمستخدمين الذين يعتمدون على الذكاء الاصطناعي في الشركات.’

الورقة الجديدة بعنوان شفافية التكلفة لاعتماد الذكاء الاصطناعي في الشركات ، وهي من ثلاثة باحثين من جامعة آيوا.

الطريقة

تم سحب البيانات لنظام من مجموعة WildChat ، التي تتكون من مجموعة من مليون محادثة بين المستخدم و ChatGPT ، وتضم أكثر من 2.5 مليون دورة تفاعل:

من موقع داعم لمشروع WildChat ، أمثلة قابلة للبحث من تفاعلات ChatGPT. مصدر

يشير المؤلفون إلى أن WildChat تحتوي على كمية أكبر من التفاعلات الطبيعية أكثر من بعض المجموعات الأخرى المُرتبطة جيدًا.

اختاروا 20 ألف توجيه باللغة الإنجليزية من مجموعة تبادلات GPT-4 ، ورفضوا الإخراج في كل حالة (منذ أن كان النية هي إطعام التوجيهات مرة أخرى من أجل إجابات جديدة). تم اختيار التفاعل الأول فقط ، حتى من التبادلات الأطول ،

تم تصفية المجموعة الناتجة إلى فئات لائقة أو غير لائقة ، مع تصنيف جميع التوجيهات بواسطة GPT-4-Turbo. استخدم الباحثون النموذج نفسه لتحديد ما إذا كان التوجيه لائقًا أو لا ، لأن تصور النموذج نفسه لللياقة كان مركزيًا في التجربة.

يمكن أن تتضمن التوجيهات التي تم تصنيفها على أنها لائقة إشارات واضحة مثل كلمة ‘من فضلك’ ، أو يمكن أن تكون لائقة بطريقة غير مباشرة. تم تصنيف أي شيء لم يتم التعرف عليه على أنه لائق على أنه غير لائق ، حتى لو كانت الكلمات محايدة وليست معادية.

Để دراسة كيفية استجابة النموذج لللياقة ، لم تكن الطرق القياسية (أي التي تعامل مع النص ك مجموعة من السمات القابلة للقياس) يمكن استخدامها: منذ أن كانت اللياقة مضمنة في الكلمات نفسها ، فإن تلخيص التوجيه كقائمة من السمات سوف يفقد السياق المهم.

بدلاً من ذلك ، تم إعادة كتابة كل توجيه لتحويل نغمةه ، مع الحفاظ على جميع العناصر الأخرى مشابهة قدر الإمكان ، مما يسمح بالمقارنة بين الأزواج التي تختلف فقط في اللياقة:

أمثلة على كيفية تحويل التوجيهات اللائقة وغير اللائقة إلى إصدارات بديلة ، مع الحفاظ على المعنى الدلالي. مصدر

الاختبارات

تم توجيه كل توجيه أصلي مع نسخة معاد كتابتها تختلف فقط في مستوى اللياقة ، وتم تقديم كلا الإصدارين إلى نموذج GPT-4-Turbo نفسه من خلال مكالمات API منفصلة. تم تسجيل عدد الرموز الناتجة في الاستجابة لكل إصدار ، وتم معاملة الفرق بينهما على أنه مقياس لتأثير النغمة (تكلفة الرموز).

الحرارة تم الحفاظ عليها بشكل ثابت لمنع التباين العشوائي ، وتم الاحتفاظ بالأزواج من التوجيهات فقط عندما غيرت الكتابة المعاد كتابتها الإدخال بأكثر من خمسة رموز. هذا ضمان أن التأثير الذي يتم دراسته ينشأ من النغمة ، chứ không من أي تغييرات أوسع في الصياغة:

إحصائيات تلخيصية تظهر أن التوجيهات اللائقة أدت إلى عدد أقل من الرموز الناتجة في المتوسط ، أكثر من التوجيهات غير اللائقة ، على الرغم من وجود رموز إدخال أكثر قليلا.

النتائج الرئيسية لجولة الاختبارات الأولى تشير إلى أن استخدام توجيه لائق يقلل من طول الإخراج بنسبة 14.426 رمز:

نتائج تقديرية تشرح تأثير تنسيق التوجيه اللائق على طول الإخراج (الرموز).

تم تكرار التحليل عبر ثلاثة مجموعات فرعية من التوجيهات اللائقة لاختبار المتانة: التوجيهات التي تستخدم علامات صريحة مثل ‘من فضلك’ أو ‘شكرًا’; تلك التي تستخدم فقط ‘من فضلك’; وتلك التي تحتوي على لياقة ضمنية ، مثل ‘هل يمكنك’ أو ‘يمكنك’:

نتائج تقديرية بناءً على أنواع اللياقة.

为了 تأكيد متانة النتائج الرئيسية ، تم إجراء تصنيف ثانوي للياقة في التوجيهات باستخدام إطار LIWC ، الذي يوفر درجة قطعية ومتكررة للميزات اللغوية.

على عكس التصنيف الاحتمالي لـ GPT ، يمكن لـ LIWC تعيين درجة لياقة مستقرة لكل توجيه ، مما يسمح بتقييم الاتساق عبر الأساليب المختلفة. في هذه الجزء من الاختبارات ، تم تصنيف التوجيهات على أنها لائقة إذا كانت درجة LIWC لللياقة أكبر من صفر ، و غير لائقة خلاف ذلك.

عندما تم قياس الاتساق بين تصنيفات LIWC و GPT ، تم ملاحظة معدل تطابق بنسبة 81٪. في حين أنه لم يكن مقياسًا لل دقة ، فإن هذا الاتفاق قدم دعمًا للاتساق بين الأنظمة.

عندما تم تحليل التوجيهات فقط مع تصنيفات LIWC و GPT المتطابقة ، أدت التوجيهات اللائقة إلى 14 رمزًا أقل; وعندما تم قياس اللياقة على مقياس متدرج ، كل خطوة lên في اللياقة خفضت الإخراج بمعدل 5 رموز:

الرموز المحسنة من اللياقة تم الحفاظ عليها عند إعادة تصنيفها بواسطة LIWC ، كتسمية ثنائية ودرجة متواصلة.

المتانة

为了 تقييم ما إذا كان تأثير اللياقة يختلف عبر أنواع مختلفة من التوجيهات ، تم تعيين كل توجيه إلى واحدة من فئات المهام المحددة مسبقًا: التحقيق عن المعلومات; توليد النص; التحرير وإعادة الكتابة; التصنيف; التلخيص; و المهام الفنية.

تم تعيين كل توجيه إلى تسمية مهمة عن طريق مقارنة التضمين الخاص به مع تضمينات التعريفات المحددة مسبقًا ، باستخدام نموذج all-MiniLM-L6-v2 Sentence Transformers.

تم حساب درجات التشابه المترافي بين كل توجيه وتضمينات التعريفات ، وتم تعيين التسمية ذات أعلى تشابه.

تم إعادة استخدام أنواع المهام كمتغيرات تحكم في الانحدار ، لاختبار ما إذا كان تأثير اللياقة يختلف باختلاف فئة التوجيه ، وتم تقديم مصطلحات التفاعل بين المهمة والعلاج ، لتحقق من الآثار التفاضلية.

في كلتا الحالتين ، أدت التوجيهات اللائقة بشكل متسق إلى إخراج أقصر ، ولم يتم العثور على أي تباين ذي معنى عبر أنواع المهام:

نتائج الانحدار التي تظهر أن التوجيهات اللائقة خفضت طول الإخراج عبر جميع أنواع المهام ، دون أي تأثيرات تفاعلية ذات معنى.

为了 اختبار ما إذا كانت الإجابات الأقصر من التوجيهات اللائقة تعكس نقصًا في الجودة ، تم مقارنة الإجابات من التوجيهات الأصلية والتوجيهات البديلة لتحديد التشابه الدلالي. باستخدام نموذج all-MiniLM-L6-v2 ، تم دمج كل إجابة في فضاء متجهي دلالي ، وتم حساب التشابه المترافي بين كل زوج ، مما أدى إلى متوسط تشابه يبلغ 0.78 ، مما يشير إلى انحياز قوي في المعنى ، ويشير إلى أن المحتوى ظل متسقًا حتى عند تغيير النغمة.

كلمات التوقف

为了 فهم ما نوع المحتوى يتم تقليله في الإخراج الأقصر ، تم فحص الكلمات الأكثر إسقاطًا. تم العثور عليها لتكون كلمات توقف شائعة مثل ‘يملك’ ، ‘أكثر’ ، ‘أين’ ، و ‘إلى’ ، أي مصطلحات تخدم الأدوار النحوية بدلاً من الأدوار الدلالية.

为了 تأكيد أن تقليل الرموز لم يكن مدفوعًا بفقدان المحتوى المهم ، تم إزالة كلمات التوقف ، وتم تحليل العبارات التي تصل إلى أربع كلمات لتحديد أي نمط منهجي للاختفاء; ومع ذلك ، لم يتم العثور على أي نمط متسق أو مهم دلالي ، مما يشير إلى أن تقليلات من الصياغة اللائقة لم تكن تستنزف المحتوى المهم أو المفيد.

لذا ، يبدو أن المزيد من الرموز يتم إنفاقها على الإجابات على الاستفسارات غير اللائقة أكثر من الاستفسارات اللائقة – مثل نوع من “ضريبة” على الخرق.

الدراسة البشرية

为了 اختبار ما إذا كان جودة الإخراج تتأثر بنغمة التوجيه ، تم إجراء تقييم بشري ، باستخدام عينة عشوائية من 20 زوجًا من التوجيهات اللائقة و 20 زوجًا من التوجيهات غير اللائقة.

بعد استبعاد التوجيهات المتعلقة بالمواضيع الحساسة أو الفنية ، تم تقييم الإجابات من قبل 401 مشارك على مقياس من سبع نقاط. رأى كل مشارك إجابة واحدة فقط ، تم سحبها من واحدة من أربع حالات: لائقة أو غير لائقة ، و أصلي أو بديل.

لم يتم العثور على أي فروق ذات دلالة إحصائية في الجودة المتصورة عبر أي من هذه الحالات. تلقت الإجابات اللائقة و غير اللائقة درجات متشابهة تقريبًا ، وكذلك الإجابات الأصلية و البديلة.

يؤكد المؤلفون أن هذه النتائج تشير إلى أن تقليل عدد الرموز الناتجة لم يكن ناتجًا عن أي فقدان في الجودة ، ولكن بدلاً من ذلك عن إعادة الصياغة ، أو من خلال التحولات الهيكلية التي لا تزال تحافظ على المعنى.

التكلفة الإضافية التي لوحظت في التوجيهات الشركات غير محتملة أن تعكس أي تغييرات في الفائدة أو الوضوح ، و “الضريبة” لا تزال تعمل.

الاستنتاج

على الرغم من أن العمل الجديد يركز على استخدام الشركات ل ChatGPT ، إلا أن المستخدمين من المستوى الأدنى يتأثرون أيضًا بهذا المرض ، منذ أن يكون للفئتين الدنيتين حدود استخدام ؛ ومن المفترض – أن معاملة ChatGPT بوقاحة سوف تسرع المستخدم العادي نحو استنفاد تخصيص الرموز اليومي.

تركز الدراسة الجديدة على سؤال مفتوح دراسته ومثير للجدل في التفاعلات بين الإنسان والذكاء الاصطناعي ؛ ولكن المؤلفون يؤكدون أن القضايا المتعلقة باللياقة يجب أن تؤخذ على أنها مؤشرات على وجود بئر أعمق من الغرابة اللغوية غير المكتشفة بعد ، والتي قد تؤثر على تكاليف الاستدلال.

نشر لأول مرة يوم الأربعاء ، 19 نوفمبر 2025