في عالم الذكاء الاصطناعي، تُعتبر تقنيات تحسين الأداء من الأمور الأساسية التي تسهم في تطوير الوكالات متعددة الخطوات. في هذا السياق، ظهرت تقنية جديدة تعرف باسم "التوسع الُمدرك في وقت الاختبار" (Confidence-Aware Test-Time Scaling - CATTS)، والتي تعد محورية في فهم كيفية تعزيز أداء هذه الوكالات.

تسعى التقنية إلى معالجة بعض التحديات المرتبطة بالأخطاء المتراكمة التي يمكن أن تحدث في المهام متعددة الخطوات، حيث وجد الباحثون أن الزيادة البسيطة في خطوات التنفيذ تؤدي إلى نتائج متناقصة، مما يتطلب حلول مبتكرة.

من خلال دراسة تجريبية، اكتشف الفريق أن زيادة المعالجة بشكل موحد لا تكفي، خاصة في البيئات طويلة الأمد، مما دعاهم لاستكشاف استراتيجيات تجميع أقوى، مثل الاعتماد على نموذج لغوي كبير (Large Language Model - LLM) يعمل كحكم يمكنه تجاوز طرق التصويت البسيطة.

تقوم تقنية CATTS بتوزيع التقدير على أساس احصائيات عدم اليقين المستمدة من توزيع الأصوات، مما يعكس مدى نجاح القرارات المتخذة. ووجد الباحثون أن قياس عدم اليقين (مثل ظاهرة الانتروبيا وفجوة التصويت الأولى والثانية) يمكن أن يكون دليلاً عمليا لتخصيص المعالجة بحسب طبيعة القرارات، مما يساعد في تحسين الأداء بنسبة تصل إلى 11.8% مقارنة بالتصويت الغالب بينما يستخدم عدد أقل من الرموز.

بهذه الطريقة، لا تعزز CATTS فقط الكفاءة بل توفر أيضًا قاعدة قرار قابلة للفهم، مما يفتح آفاقًا جديدة لتطبيق الذكاء الاصطناعي في مجالات مختلفة.