في عالم الذكاء الاصطناعي، تُعد نماذج اللغة الكبرى (Large Language Models) من أبرز الابتكارات، حيث تحقق أداءً متقدمًا في التفكير والاستدلال. لكن، يواجه هذا الأداء تحديًا كبيرًا بسبب القرارات الثابتة التي يتم اتخاذها أثناء عملية الاستنتاج، حيث تعتمد أغلب استراتيجيات التحكم على نماذج تقليدية غير مرنة.

مع التقدم في هذا المجال، تم طرح تقنية جديدة تدعى AutoCRAT، التي تعمل على تطوير فكرة التحكم المشترك في العشوائية ووقت التفكير. في السابق، كانت طرق التكيّف تعتمد بشكل منفصل على العشوائية في عملية التشفير (decoding stochasticity) أو على ميزانية التفكير (reasoning compute)، مما أغفل تأثير تفاعلهما ضمن مسار التفكير الواحد.

تعمل AutoCRAT كأداة تحكم تعمل على ضوء مجموعة قيود معينة، تتولى إدارة العشوائية ووقت التفكير بشكل مشترك أثناء عملية التوليد. تضمن التقنية الجديدة تعزيز الاستقرار بينما تبقى قادرة على الاستجابة للتغيرات خلال عملية التفكير. أظهرت التقييمات الشاملة على ستة معايير أن AutoCRAT تستخدم من 13.8% إلى 52.7% أقل من رموز الاستدلال مقارنة بالتكوينات الثابتة الموصى بها، كما تفوقت على الأسس الثابتة والتكيفية بـ 1.5% إلى 4.5% في الدقة النسبية.

تسهم هذه الطريقة الجديدة في تعزيز فعالية نماذج اللغة الكبرى ونقل المعرفة بشكل أفضل عبر النماذج المختلفة، مما يفتح المجال لتطبيقات جديدة قد تكون لها تأثير كبير في المستقبل القريب. إن التحسينات التي توفرها AutoCRAT في مجال التحكم في عمليات النمذجة تجعلها خطوة مهمة نحو تطوير نماذج ذكاء اصطناعي أكثر ديناميكية وقدرة على الاستجابة لمتطلبات عدّة.