في عالم الذكاء الاصطناعي، تضاف السطور من جديد إلى قصة التعليم والتعلم لنماذج اللغات الضخمة (LLMs). فإذا كنت تسعى لفهم كيفية توسيع قدرات الذكاء الاصطناعي لتوليد أفكار جديدة وحل مشاكل تفكير معقدة، فأنت في المكان الصحيح.

تعتبر الأساليب التقليدية لتعليم نماذج التفكير عن طريق تدريبها على سلاسل التفكير (CoT) موثوقة، ولكن الحصول على بيانات مصنفة لكل مشكلة يصبح تحديًا كبيرًا. ومن هنا جاء البحث الجديد الذي يركز على تعزيز التعميم التوافقي من خلال معالجة مهام تفكير مترابطة بدون الحاجة إلى بيانات مصنفة مسبقًا.

الجديد في هذا البحث هو تعديل صيغة سلاسل التفكير للمشاكل الأساسية لتصبح مترابطة. ويظهر أن تدريب النماذج على بيانات سلاسل التفكير الأساسية، مع إجراء تعديلات طفيفة، يمكن أن يحسن بشكل كبير من مستوى التعميم.

بالإضافة إلى ذلك، يمكن دمج نماذج "سلاسل التفكير الأساسية" مع تقنيات التعلم المتعدد المهام أو دمج النماذج لتحقيق أداء أفضل في مهام جديدة لم يسبق لها التدريب عليها. والأكثر من ذلك، يمكن استخدام تقنيات مثل الفحص المتكرر لضبط النماذج على معلومات معينة، مما يعزز نتائجها في العمليات النصية وتركيبات المهارات اللغوية.

تظهر النتائج أن تدريب نماذج اللغات الضخمة (LLMs) باستخدام البيانات المركبة (Composable CoT) يتفوق على أساليب التعلم المتعدد المهام، مما يفتح آفاقًا جديدة في كيفية تطوير وتحسين الذكاء الاصطناعي.