في عالم الذكاء الاصطناعي المتسارع، تظهر الحاجة إلى نماذج قادرة على التعاطي مع تفاعلات متعددة الأدوار بكفاءة عالية. أظهرت الأبحاث الحديثة أن نماذج اللغة الكبيرة (Large Language Models) أصبحت تعتمد بشكل متزايد على طريقة تفكير متعددة الأدوار، مثل استرجاع المعلومات المُعزَّز التكيفي (adaptive retrieval-augmented generation) ووكالات ReAct. ولكن، ظهرت تحديات جديدة تتعلق بكيفية تحديد لحظة التوقف المناسبة أثناء هذه العمليات المعقدة.

حتى الآن، اتبعت الطرق التقليدية قواعد إيقاف تعتمد على أساليب تجريبية أو ميزانيات دور محددة، مما أظهر عدم وجود ضمانات رسمية بأن التفسير النهائي سيظل يحمل الإجابة الصحيحة. تأخذ هذه المشكلة أبعادًا أكبر في المجالات الحرجة مثل المالية والرعاية الصحية، حيث قد يؤدي ضياع الوقت أو اتخاذ قرارات مبكرة إلى عواقب وخيمة.

لذلك، تم تقديم نموذج "MiCP"، وهو إطار عمل جديد يوفر ضمانات تغطية رسمية، مما يسمح بتخصيص ميزانيات الأخطاء عبر الأدوار المختلفة. وهذا يعني أن النموذج يستطيع أن يتوقف في وقت مبكر دون المخاطرة بفقدان دقة الاستجابة.

تطبيق MiCP على مسائل الاسترجاع التكيفي (adaptive RAG) وReAct أثبت نجاحه في تحقيق الهدف المرجو من التغطية المطلوبة في استجابة الأسئلة، سواء كانت الأسئلة بسيطة أم معقدة، مع تقليل عدد الأدوار والتكاليف المرتبطة بالاستدلال.