تتقدم الأبحاث المتعلقة بنماذج اللغات الضخمة (Large Language Models) بمفهوم مثير يدعى "مسارات توزيع الإجابات"، والذي يعكس كيف تتطور العملية العقلية للنموذج أثناء الوصول إلى الإجابة. يعتبر التفكير المتسلسل (Chain-of-thought) وسيلة فعالة تُستخدم لتنسيق عملية حسابية بين إدخال النموذج والإجابة النهائية، لكن التقييم التقليدي يركز على دقة النتائج النهائية ولا يأخذ بعين الاعتبار المسار الذي تم اتباعه للوصول إلى تلك النتائج.

في الوقت الراهن، يشهد المجال اهتمامًا متزايدًا بمعالجة نقاط الضعف في هذا التقييم من خلال استخدام ملفات تعريف الشك (entropy profiles)، التي تتبع كيف يتغير مستوى الشك خلال عملية التفكير. ولكن، بينما توفر هذه الملفات معلومات قيمة، فإنها لا تبين بالتحديد أي الفرضيات المتنافسة تساهم في ذلك الشك.

لذا، نقدم هنا مفهوم "مسارات توزيع الإجابات"، الذي يستلهم من الديناميات العشوائية (stochastic dynamics)، حيث يقوم بتتبع التوزيع التنبؤي الكامل للإجابات خلال عملية التفكير. هذه الأداة تمثل نقلة نوعية بالمقارنة مع التقييمات التقليدية وتسمح لنا بفهم التحركات المختلفة ضمن أنماط التفكير الديناميكية التي تتضمن الاستكشاف، والمراجعة، والحركة، والالتزام.

عبر دراسة ستة عشر نموذجًا مفتوح الوزن وأربعة معايير للتفكير، تظهر النتائج لدينا أن المسارات التي تشترك في نفس النقطة النهائية وملفات تعريف الشك المتشابهة قد تعكس ديناميكيات تفكير مختلفة تمامًا. كما نجد أيضًا تنوعًا كبيرًا في هذه الديناميكيات سواء داخل النماذج أو عبر المهام، حيث تفضل الأهداف المختلفة أنماطًا ديناميكية مختلفة. يشير ذلك إلى أن اختيارات التدريب والاستدلال تعيد تشكيل هذه الأنماط بشكل منهجي.

تشير نتائجنا إلى أن "مسارات توزيع الإجابات" توفر إطارًا غنيًا لتحليل وتقييم ديناميات التفكير في نماذج اللغات الضخمة. فهل تتفقون مع هذا التطور المبارك في مجالات الذكاء الاصطناعي؟ شاركونا آراءكم في التعليقات!