في عالم الذكاء الاصطناعي، يُعتبر التفكير التجريدي من بين أكثر التحديات تعقيدًا. فلكي يتمكن النظام من استنتاج قاعدة كامنة من أمثلة معينة أو ملاحظات منظمة، يجب عليه تطبيق هذه القاعدة على حالات غير مرئية. هنا يأتي دور نماذج اللغات الضخمة (Large Language Models) التي تستطيع التعبير عن هذه القواعد بشكل يشبه البرامج.

ومع ذلك، المشكلة تكمن في أن عملية التحسين التقليدية تعتمد في الغالب على تقييم النتائج فقط، دون إعادة التحقق بشكل رسمي من أي تجريد أو علاقة أو تحول تسبب في تلك النتيجة. لذا، نقترح أسلوبًا جديدًا يُعرف باسم 'إعادة الصياغة الإجرائية المعتمدة على الاستنباط' (Abduction-Based Procedural Refinement - ABPR).

تعتمد هذه الطريقة على دمج نموذج لغوي ضخم مع مفسر ميتا بلغة بروغ (Prolog)، حيث يتم التعامل مع كل برنامج محتمل كفرضية تنفيذية تعبر عن القاعدة الكامنة. يقوم ABPR بإعادة هيكلة الهدف الفرعي إلى اشتقاقات مُصغرة على نمط شجرة الإثبات، مما يعيد صقل الفهم الدلالي للنموذج.

لقد تم تقييم أداء ABPR بشكل رئيسي على نظام ARC-AGI-2، والذي يعمل كمؤشر موثوق لتحديات استنتاج القواعد التجريدية. النتائج كانت مثيرة، حيث حققت معالجة ABPR باستخدام Gemini-3-Flash نسبة نجاح بلغت 56.67%، بينما لم يتوانى نموذج GPT-5.5 xHigh مع ABPR عن تحقيق نسبة نجاح مذهلة وصلت إلى 98.33% في مجموعة التقييم العامة.

وتم دعم هذه النتائج بتجارب إضافية على مجموعة بيانات ملء الفراغ I-RAVEN-X وتعديلات A-I-RAVEN، مما يشير إلى أن نموذج ABPR يمتد أيضًا ليشمل المهام المتعلقة بالتمثيل العلاقي والتجريدي من نمط RAVEN.

من خلال تحليل المتكررات والمقاييس الحساسة، أظهرت النتائج أن البحث الموازي الموجه بالتتبع يقلل من التباين العشوائي مع زيادة عرض البحث وعمق التحسين.