LLMON من IBM: لغة ترميز جديدة تقضي على هجمات الحقن بنسبة 95%
بقلم علي المنتصر — محلل ومحرر تقني أول
أطلقت IBM نموذجي Granite 4.1 3B و8B بمعاينة LLMON، وهي لغة ترميز أصلية للنماذج اللغوية تفصل التعليمات عن البيانات. خفّضت هجمات الحقن غير المباشر بنسبة 47% مقارنة بأفضل نموذج حدودي و95% مقارنة بأفضل نموذج مفتوح المصدر، مع الحفاظ على الأداء العام.
الموجز الإحصائي السريع
أعلنت IBM عبر مدونة Granite الرسمية على Hugging Face إطلاق LLMON (LLM Object Notation)، لغة ترميز أصلية للنماذج اللغوية، مدمجة في نموذجَي معاينة تجريبيين: granite-4.1-3b-LLMON-preview وgranite-4.1-8b-LLMON-preview. النماذج متاحة فوراً على Hugging Face مع مستودع GitHub مفتوح وأدوات تحويل JSON↔LLMON بلا فقدان، وتخفض نجاح هجمات الحقن غير المباشر بنسبة 47% مقابل أفضل نموذج حدودي و95% مقابل أفضل نموذج مفتوح المصدر.
📊 بطاقة البيانات والمواصفات التقنية الرسمية
| المحور التقني | البيانات الرسمية المؤكدة |
|---|---|
| 💰 الأسعار وتكلفة الاستخدام | النماذج مفتوحة المصدر ومتاحة مجاناً على Hugging Face (granite-4.1-3b-LLMON-preview وgranite-4.1-8b-LLMON-preview)؛ لا توجد طبقات اشتراك أو أسعار توكنز معلنة في البيان الرسمي، والتكلفة التشغيلية تُحدد وفق مزود الاستضافة الذي يختاره المطور. |
| 🌐 المنصات والتوفر الفوري | Hugging Face (النماذج + Space لتصور الانتباه)، GitHub (github.com/generative-computing/llmon)، إطار Mellea (دعم LLMON أصلي)، مكتبة LLMON-converters، دفاتر أمثلة Jupyter. |
| ⚡ الأداء ومؤشرات السرعة | أداء عام مطابق لنماذج Granite 4.1 Instruct عبر فئات المعايير القياسية؛ تكلفة عنونة كل كتلة = رمزان (2 tokens) ثابتان بغض النظر عن معرّف الكتلة؛ ستة محددات (delimiters) مثبتة كرموز مفردة محجوزة في المُرمِّز. |
| 🛡️ الأمان ومقاومة الاختراق | تجنّب 47% من الهجمات الإضافية مقابل أفضل نموذج حدودي، و95% مقابل أفضل نموذج مفتوح المصدر على معيار OPI؛ اتجاهات مماثلة على ASB وStruQ؛ معدلات نجاح هجوم تقترب من الصفر في بعض المعايير؛ تدريب RL بخمس مراحل GRPO متتالية + مرحلة DPO نهائية على ألف زوج تفضيل. |
| 🧠 سياق الذاكرة (Context Window) | لم يحدد البيان الرسمي حجماً رقمياً لنافذة السياق؛ يعتمد النموذجان على نقاط تفتيش Granite 4.1 base (3B و8B) ويرثان خصائصها المعمارية. |
| 🌍 دعم اللغة العربية والمنطقة | لا يوجد تقييم عربي منفصل في البيان؛ LLMON لغة ترميز محايدة لغوياً تعتمد على رموز محجوزة، والنماذج مشتقة من Granite 4.1 متعدد اللغات، ما يتيح تطبيقها على النصوص العربية دون تعديل المخطط. |
تفاصيل الإعلان والميزات التقنية الجديدة
تعالج LLMON مشكلة جوهرية في بنية السياق لدى النماذج اللغوية: السياق يمتلئ بمكونات غير متجانسة (موجّه النظام، الأدوار السابقة، تعليمات على مستندات مسترجعة، ردود الأدوات، متطلبات الإخراج، سلاسل الاستدلال)، ومعظمها إمّا ضمني أو مُرمّز بصيغ مثل JSON لم تُصمم أصلاً لهضم النماذج اللغوية. تقدم LLMON بنية صريحة عبر علامات دلالية محاطة بمحددات رموز خاصة محجوزة، ومخططات بيانات لا لبس فيها للنموذج السببي، ومعرّفات فريدة تربط كل تعليمة بالحمولة التي تعمل عليها، على غرار استدعاء الدوال وتمرير الوسائط في لغات البرمجة.
على عكس JSON الذي يعتمد على رموز حرفية ({، "، :) قد تظهر في النص العادي، تستخدم LLMON محددات محجوزة تجعل البنية والمحتوى يشغلان أجزاءً منفصلة من المفردات، وتُعلن العلامات في بداية كل نطاق بحدود صريحة، وتُعلن البنية المتداخلة محلياً فلا يحتاج النموذج لتتبع التسلسل الهرمي عبر مسافات طويلة. تشمل الحزمة المرفقة أدوات تحويل ثنائية الاتجاه بلا فقدان بين JSON وLLMON، ودفاتر أمثلة، وقوالب محادثة مخصصة تُرندر الكتل تلقائياً، مع إمكانية وسم كل جزء بـ exec: True أو False لتحديد ما يُربط بكتلة التنفيذ.
يعتمد التدريب على إعادة تسلسل مجموعة بيانات ضبط تعليمات تقليدية إلى LLMON، بحيث يصبح كل مكوّن كتلة قابلة للعنونة، مع إضافة تعليمات وكتل بيانات مضللة (decoys) موجودة في السياق لكنها غير مرتبطة عمداً، ثم خمس مراحل GRPO متتالية تغطي الاستدلال متعدد المجالات وRLHF ومعايرة المعرفة والرياضيات، تليها مرحلة DPO نهائية على ألف زوج تفضيل مبني على استجابات النموذج نفسه لمحاولات الحقن.
المقارنة المعيارية والأداء التنافسي
على معيار OPI الذي يضع الحقن داخل بيانات مهام معالجة اللغة الطبيعية الكلاسيكية، أظهرت النماذج غير المعتمدة على LLMON قابلية عالية للاختراق، بينما تجاوزت نماذج LLMON المعاينة المشكلة بفارق 47% عن أفضل نموذج حدودي و95% عن أفضل نموذج مفتوح المصدر في تجنّب الهجمات. تكررت الاتجاهات نفسها على معياري ASB وStruQ. في المقابل، حافظت النماذج على أداء عام مطابق لنماذج Granite 4.1 Instruct عبر فئات المعايير القياسية، ما يعني أن مكاسب الأمان لم تأتِ على حساب القدرة العامة. وتُعد هذه المعايير اختباراً للحقن غير المباشر الثابت، بينما يعمل الفريق على تحسين المتانة ضد الهجمات التكيفية الممتدة عبر محادثات متعددة.
ماذا يعني هذا للمطور والمستخدم العربي؟ (The Localization Edge)
تقدم LLMON ميزة اقتصادية ملموسة للمطور العربي: عنونة كل كتلة تستهلك رمزين فقط بغض النظر عن معرّفها، ما يقلل هدر التوكنز في المخططات المتداخلة مقارنة بـ JSON الذي يستهلك رموزاً حرفية إضافية للأقواس والاقتباسات. ولأن LLMON محايدة لغوياً وتعتمد على رموز محجوزة، يمكن تطبيقها على النصوص العربية دون إعادة تصميم المخطط، مع الاستفادة من أدوات التحويل بلا فقدان من خطوط JSON القائمة. هذا يخفض تكلفة التطوير للمشاريع الناشئة في المنطقة التي تبني أنظمة RAG أو وكلاء أدوات، ويحدّ من مخاطر الحقن في بيانات المستخدمين والمستندات المسترجعة. كما يتيح ضبط LoRA بمفردات مخصصة (كما في تجربة ScienceWorld) بناء مخططات عربية مخصصة للقطاعات التنظيمية والمالية.
الخلاصة والتطلعات القادمة
تمثل LLMON خطوة معمارية وليس مجرد تحسين تجميلي: نقل فصل التعليمات عن البيانات من طبقة التطبيق إلى طبقة الترميز والتدريب. النماذج تجريبية للمعاينة وليست جاهزة للإنتاج وفق البيان الرسمي، لكنها توفر مساراً عملياً للفرق التي تعمل على Granite 4.1 3B أو 8B لتبديل النموذج دون خط تحويل، والحصول على أداء عام مماثل مع مقاومة أعلى بكثير للحقن. الخطوة التالية المنتظرة هي معالجة الهجمات التكيفية متعددة الأدوار، وتوسيع المفردات المخصصة عبر مجالات عربية.
المصدر الإعلامي: Hugging Face | البيان الرسمي للشركة: المصدر الأصلي | تدقيق وتحليل البيانات: AI Tools Oasis
أسئلة شائعة
فريق AI Tools Oasis
نقدم لك أحدث الأخبار والتحليلات في عالم الذكاء الاصطناعي بدقة ومصداقية. تابعنا للحصول على كل جديد.
