في عالم الذكاء الاصطناعي، تعد نماذج التشتت المعتمدة على القناع (Masked Diffusion Models) واحدة من الأدوات المتطورة التي تدفع حدود القدرة على إنشاء نصوص جديدة. لكن، ماذا يحدث عندما يتعلق الأمر بتحقيق الاستنتاجات المنطقية المعقدة؟

تعتبر سياسات التفكيك المعتمدة على الثقة (confidence-based decoding) هي الخيار الأكثر شيوعاً حالياً في الاستدلال باستخدام هذه النماذج. ومع ذلك، تشير دراسة حديثة إلى أن هذه السياسات تنطوي على مشكلات خطيرة تتعلق بتوافق التدفق المنطقي.

في الفحوصات التي أجريت باستخدام عمليات الجمع متعددة الأرقام، أظهرت النتائج أن استراتيجيات التفكيك المعتمدة على الثقة تتنبأ بالأرقام السهلة محلياً قبل أن تحل التعتمدات طويلة المدى، مما يؤدي إلى أخطاء موثوقة في المدخلات المعقدة. في حين تحافظ طرق القناع العشوائي على انخفاض معدل الفشل عند مواجهة تلك التحديات، فإن التدريب المعتمد على الثقة يزيد من معدل الأخطاء بشكل ملحوظ.

تظهر نتائج هذه الدراسة نمطًا متكررًا عبر خمسة مهام استدلال مختلفة: تتسبب سياسات التفكيك المعتمدة على الثقة في الفشل عند مواجهة المدخلات المعقدة، في حين أن طرق القناع العشوائي، على الرغم من كفاءتها الظاهرة، تعمل على الحفاظ على شروط تدفقات الاستدلال المطلوبة لحل تلك المشكلات الصعبة.

ختامًا، تأكيدًا على الحاجة الماسة لإعادة تقييم استراتيجيات التدريب المستخدمة في نماذج اللغات المعتمدة على التشتت، على الباحثين أن يضعوا في اعتبارهم أهمية تدفقات المنطق، حتى وإن كان ذلك يعني التحول بعيدًا عن الاعتماد على الثقة.

ما رأيكم في هذا التطور؟ شاركونا في التعليقات.