في عالم الذكاء الاصطناعي، يعد تعزيز الأداء خلال فترات الاختبار إحدى التحديات الكبيرة التي تواجه الباحثين والمطورين. غالبًا ما تتطلب عمليات الاختبار استثمار المزيد من الموارد الحاسوبية، سواء من خلال توسيع نطاق البحث عن الحلول أو تحسين خوارزميات التقييم. لكن كيف نحقق ذلك دون استنزاف مواردنا؟

أدخل هنا CoBa (Cost-Effective Test-Time Scaling via Compute-Balanced Routing)، معيار جديد يركز على تخصيص موارد الحوسبة بطريقة ذكية. يقدم هذا النظام صيغة جديدة لفهم تفكير الاختبار من حيث تخصيص الحوسبة، حيث يتعين على النظام أن يحدد ما إذا كان يجب تخصيص الوحدة التالية من الحوسبة للإنتاج، أو التحقق، أو التوقف.

تبدأ CoBa بتجميع مجموعة صغيرة من المرشحين، ثم تطبق التحقق الرخيص بشكل واسع، وأخيرًا توجه المرشحين غير المؤكدين أو ذوي القيمة العالية إلى عمليات تحقق أقوى. في تجارب شملت 3,129 تقييمًا عبر عدة اختبارات مثل MATH-500 و AIME 2024/2025 و AMC 2023، حققت CoBa-Routed-Strong دقة تصل إلى 85.13%، متطابقة إحصائيًا مع نموذج التقييم الذاتي الذي استخدم تصويتًا وزنيًا بنسبة 85.20%، لكن بتوفير 49.1% من الوحدات الموزونة.

كذلك، تطابقت CoBa مع التصويت الأفضل من 16 نقطة في متوسط الدقة مع توفير 58.9% إضافية من الوحدات الموزونة. تُظهر الاختبارات التي تقارن بين نماذج متعددة تحسنًا كبيرًا مقارنة بعمليات فك الشيفرة الفردية، في حين يكشف الفجوة المتبقية عن إمكانيات كبيرة لمزيد من التوجيه الأكثر حدة.

يتضح من ذلك أن توسيع نطاق الاختبار في الأنظمة المحلية يعتمد على تحديد مكان أكثر قيمة لتخصيص الحوسبة التالية. إن ابتكارات مثل CoBa تمثل خطوات كبيرة نحو تحقيق كفاءة أعلى وتخفض من التكاليف، مما يسهل التقدم في مجالات البحث والتطوير بالذكاء الاصطناعي.