تتطور أبحاث الذكاء الاصطناعي بشكل متسارع، ومع ظهور نماذج اللغة الكبيرة (Large Language Models)، أصبح التركيز على كيفية تعزيز قدرتها على تنفيذ المهام المعقدة أمراً بالغ الأهمية. في دراسة حديثة، تم اقتراح تقنية جديدة تُعرف بـ BCSD (Bidirectional Context Self-Distillation) لتحسين قدرة هذه النماذج على استغلال المهارات الخارجية.

تستفيد الوكلاء في نماذج اللغة الكبيرة من المهارات الطبيعية المنقولة، والتي توفر لهم توجيهات قابلة لإعادة الاستخدام والتعديل. ومع ذلك، فإن فعالية هذه المهارات تعتمد على جودتها وقدرة الوكيل على تحويلها إلى أفعال ملائمة. وبما أن معظم الأساليب الحالية تركز على تحقيق مكافآت تتعلق بالمهام، فإنها غالباً ما تعجز عن التقاط التفاوتات الدقيقة في كيفية استخدام هذه المهارات.

تقنية BCSD تدمج بين التعلم الذاتي (Self-Distillation) والتعلم المعزز، حيث تتولى عملية تدريب الوكلاء لتستخدم المهارات الخارجية بشكل أكثر فعالية. بدلاً من الاعتماد على سياق واحد مميز، تعمل BCSD على تقييم كل مسار من منظورين متكاملين؛ أحدهما يوفر إرشادات لمهارات عليا تتجاوز المهام، في حين يقوم الآخر بتقليل الإرشادات العامة لتسليط الضوء على المهارات المحددة بالمهام.

تظهر التجارب التي أُجريت على نموذجين: ALFWorld وWebShop، أن تقنية BCSD تقدم أداءً قويًا عبر نطاقات النماذج المختلفة، مما يمكّن الوكلاء من استخدام المهارات الخارجية بشكل أكثر فعالية. تؤكد الدراسات التجريبية الإضافية المساهمات المتكاملة لكل من وجهتي السياق المعززة والمخفضة.

سيتم إصدار الشيفرة البرمجية الخاصة بهذه التقنية لضمان إمكانية إعادة إنتاج النتائج المدروسة، مما يمثل خطوة هامة في مجال أبحاث الذكاء الاصطناعي وتعزيز أداء نماذج اللغة الكبيرة.