في عالم الذكاء الاصطناعي، تعتبر تقنية التناسق الذاتي (Self-consistency) أحد الأدوات القوية التي تستخدم لتحسين أداء نماذج التفكير المتسلسل (Chain-of-thought reasoning) من خلال إنشاء استجابات متعددة واختيار الأكثر تواتراً. ورغم فعالية هذه التقنية، إلا أنها تواجه تحديات كبيرة عند تطبيقها على نطاق واسع بسبب تكلفتها العالية ونقص الفهم النظري الموحد لمدى كفاءتها وسلوكها عند التوسع.

في ورقة بحثية جديدة، تم تقديم تحليل شامل لسلوك التناسق الذاتي وبدائله، مع الاستناد إلى نظرية تقدير الوضع والتصويت. وقد توصل الباحثون إلى وجود قانون قوة ينظم سلوك التناسق الذاتي عبر مجموعات بيانات مختلفة، وحددوا كفاءة العينات في أنظمة تخصيص ثابتة ودينامية.

انطلاقًا من هذه النتائج، تم تقديم تقنية جديدة تُعرف بـ Blend-ASC، وهي نسخة مبتكرة من التناسق الذاتي تقوم بتخصيص العينات بشكل ديناميكي للأسئلة أثناء الاستنتاج، محققةً كفاءة عينة أفضل. وفقًا للنتائج، تتطلب تقنية Blend-ASC 4.8 مرات عينات أقل مقارنة بالتناسق الذاتي التقليدي، مما يُظهر تفوق هذه الطريقة من حيث الكفاءة.

كما تتميز Blend-ASC بعدة مزايا، فهي خالية من المعاملات الفائقة، تدعم طريقة الدفعات، ويمكنها التكيف مع أي ميزانية للعينات، مما يجعلها قابلة للتطبيق بسهولة في أي استخدام لتقنية التناسق الذاتي.

في ضوء هذه التطورات، يبقى السؤال: كيف يمكن أن تبدل تقنية Blend-ASC الطريقة التي نتعامل بها مع نماذج اللغات الضخمة في المستقبل؟ شاركونا آرائكم.