في عالم الذكاء الاصطناعي، يعتبر اكتشاف الدوائر (Circuit Discovery) تقنية حيوية لفهم كيفية عمل نماذج اللغة الضخمة (Large Language Models) وتحديد المكونات الأساسية التي تسهم في أداء المهمة المعينة. ومع أن الأساليب الحالية، مثل تقنية EAP-IG، أثبتت كفاءتها في بعض الجوانب، فإنها تعاني من تباين كبير يمكن أن يؤثر بشكل سلبي على النتائج.

يظهر التباين في ثلاثة أوجه رئيسية:
1. **تباين إعادة العينة**: حيث تتغير الدائرة المكتشفة عند استخدام مجموعة بيانات جديدة من نفس التوزيع.
2. **تباين إعادة صياغة الأسئلة**: حيث يتحول شكل الدائرة المكتشفة عندما يتم إعادة صياغة الأسئلة المستخدمة.
3. **تباين العينة**: حيث يمكن أن تظهر دائرة ذات تدني في المصداقية العامة تقلبات كبيرة في مصداقيتها عبر العينات الفردية.

تستكشف هذه الدراسة الجديدة، التي تقدم تقنية CEAP، كيفية تقليل تباين إعادة العينة بطريقة تثبت فعاليتها من الناحية النظرية. كما تشير النتائج إلى أن تباين إعادة الصياغة يعود إلى تفعيل قوالب مختلفة من الأسئلة لدورات مختلفة داخل النموذج، مما يصعب اكتشاف دائرة شاملة توضح سلوك النموذج في مهمة معينة.

وبينما يُعتقد أن قلة الازدحام قد تؤدي إلى دوائر أكثر قابلية للتفسير، فإنها لم تتمكن من حل هذه المشكلة بشكل كامل. أما بالنسبة لتباين العينات، فتشير الدراسة إلى أنه غالباً ما يكون غير ضار وينجم عن طريقة تعريف المصداقية بدلاً من عيوب في الدوائر التي تم قياسها.

باختصار، يسلط البحث الضوء على التحديات المستمرة التي تواجهها نماذج اللغة الضخمة وقدرتها على التوجيه، بينما يقدم استراتيجيات مبتكرة للتخفيف من التباين وتحسين الفهم الآلي.