في عالم الذكاء الاصطناعي، تُظهر نماذج اللغة الكبيرة (LLMs) جدارة في معالجة كميات ضخمة من المعلومات، ولكن هل تستطيع هذه النماذج التفكير على المدى الطويل؟ تسلط دراسة جديدة الضوء على أهمية استراتيجيات السياق في تحسين عملية الفهم السرير المعقد. هذه الدراسة التي تم نشرها على موقع arXiv تطرح تساؤلات حول كيفية تعامل النماذج مع معلومات تم جمعها طوال فترة زمنية طويلة.

تتجه الدراسة لتقارن بين خمسة استراتيجيات سياق مختلفة: الكامل (Full)، الحديث (Recent)، الحلقاتي (Episodic)، الدلالي (Semantic)، والمركب (Hybrid)، باستخدام مجموعة بيانات MedLoCoMo عبر أربعة نماذج LLMs مفتوحة الوزن. وبهذه الطريقة، تهدف الدراسة إلى تقييم دقة الأجوبة ومرونة النماذج أمام بعد الأدلة الداعمة.

أظهرت النتائج أن استراتيجيات الحلقاتي والمركب تحققان أعلى درجات الدقة، بينما بدأت استراتيجية الحديث في التدهور بشكل كبير كلما بَعُدَت الأدلة عن السؤال المطروح. بالإضافة إلى ذلك، أبان تحليل الأسئلة المعقدة أن الأداء الجيد على الأسئلة القابلة للإجابة لا يعني بالضرورة القدرة على عدم الإجابة عندما تكون المعلومات المتاحة غير داعمة.

تشير هذه النتائج إلى أن الاعتماد على القدرة الواضحة لنماذج اللغة الكبيرة في الوصول إلى المزيد من التاريخ لم يكن العامل الحاسم، بل يرتبط بشكل أساسي بكيفية انتقاء الأدلة وتقديمها أثناء عملية التفكير. فهل سنشهد تطوراً أكبر في هذا المجال؟ ما رأيكم؟ شاركونا في التعليقات!