كيف يؤثر تسلسل التفكير على نماذج الذكاء الاصطناعي؟ دراسة مثيرة تكشف الحقائق!

تسعى الدراسات في مجال الذكاء الاصطناعي دائمًا لفهم كيفية تحسين أداء نماذج اللغة الكبيرة (LLMs)، ومن بين الأدوات المستخدمة هي تسلسل التفكير (Chain-of-Thought - CoT). لكن هل يتحقق هذا التحسين دائمًا؟

في دراسة نشرها الباحثون مؤخرًا، تم تحليل تأثير تسلسل التفكير من خلال إطار مفاهيمي جديد يُعرف بحدود عرض النطاق العريض (H_dp) للعمق التسلسلي. على الرغم من أن هذا الحدّ يعتبر صحيحًا فقط عند طول مؤشرات كبير بشكل فلكي، إلا أنه يحد من قدرة الهيكل المعماري على معالجة الحسابات التسلسلية.

تشير النتائج إلى وجود تدهور مستمر في دقة الأداء عندما يزداد العمق التسلسلي، بينما يُظهر تسلسل التفكير استقرارًا في الأداء مهما زاد العمق. فقد أُجريت القياسات على ثلاثة نماذج تم تعيينها بالإرشادات، وتضمنت Qwen-2.5-7B/32B وLlama-3.1-8B، وتمت مقارنتها مع خمسة معايير قياسية في معالجة اللغة الطبيعية (NLP).

تبين أن تسلسل التفكير يزيد من الفجوة في دقة الأداء بنسبة تتراوح بين 54 إلى 68 نقطة مئوية في المهام ذات العمق العالي مثل GSM8K وMATH. ومع ذلك، عندما يتعلق الأمر بالمهام السطحية مثل MMLU وARC، يبدو أن التسلسل ليس له تأثير كبير، مما يشير إلى أن تقنيات تسلسل التفكير قد تكون زائدة عن الحاجة في هذه الحالات.

علاوة على ذلك، أظهرت المهام المتوسطة مثل HumanEval نتائج متباينة طبقًا لحجم النموذج، ما يعزز فكرة أن تسلسل التفكير ليس محسّنًا عالميًا. بعبارة أخرى، قد يساهم في تحسين الأداء في حالات معينة، لكنه قد لا يكون ضروريًا في أخرى.

في النهاية، تلقي هذه الدراسة الضوء على أهمية مراجعة الاستراتيجيات المستخدمة في تطوير ونشر نماذج الذكاء الاصطناعي. كيف ترون تأثير تسلسل التفكير على أداء نماذج اللغة في المستقبل؟ شاركونا آراءكم في التعليقات!