كيف تؤثر تنسيقات خوارزميات الذكاء الاصطناعي على دقة نماذج اللغة؟

تشهد نماذج اللغة الكبيرة (Large Language Models - LLMs) استخدامًا متزايدًا في تنفيذ الخوارزميات المستمدة من الدراسات والأبحاث. ومع ذلك، فإن الكثير من الأوراق العلمية تترك خيارات التنفيذ غير واضحة أو مفهومة. في دراسة رائدة، تم فحص كيفية تأثير صياغة الخوارزمية على دقة تنفيذ نماذج اللغة في المحاولة الأولى.

بدأت الدراسة بمقارنة عدة تنسيقات: نثر عادي، وصياغة خوارزمية بأسلوب LaTeX، ومشفرة PDF، ومجالات Markdown، ومواصفات شبيهة بـ YAML، ومواصفات JSON، وكتل رمز بايثون، عبر خمس مهام من مهام التعلم الآلي وثلاث نماذج ووفق أربع ظروف تجريبية. النتائج كانت مثيرة للإعجاب؛ حيث تم إنتاج 4,020 تنفيذًا.

تمت معالجة اختبارات مخفية تقيم التفاصيل التي تحدد غالبًا دقة التنفيذ، بما في ذلك قواعد كسر التعادل، أشكال المصفوفات، القواعد العددية، هياكل الإرجاع، وسلوك المدخلات غير الصالحة. في حالة المعلومات الأساسية، أثبتت صياغة LaTeX أنها الأكثر تأثيرًا من حيث الدقة، تليها المواصفات الشبيهة بـ YAML والنثر العادي.

لكن تحت وضع المعلومات الكاملة، لم تظهر نموذج GPT-5.4 mini أي اختلافات في صياغات المقارنة المتطابقة، في حين أن نماذج Gemma 3 4B وLlama 3.2 3B لا تزال تظهر فروقات. وعلى الرغم من أن كتل الرمز لم تُحسن الدقة بشكل ملحوظ، إلا أن أهمية كتابة الخوارزمية بشكل واضح تصبح ضرورية؛ يجب على المؤلفين تحديد الواجهات، خطوات الحساب، القواعد العددية، وسلوك حالات الحد بشكل صريح بدلاً من الاعتماد على تنسيق سطحية لنقل هذه التفاصيل.