في عالم الذكاء الاصطناعي وتعلم الآلة، تمثل التوترات بين الخصائص المرغوبة challenge حقيقي. فعندما نعمل على تحسين سلوك معين، قد يتأثر سلوك آخر سلباً، مما يجعل تقدم المهمة يعتمد على تقليل هذه التوترات. هنا يأتي دور نموذج AutoResearch القائم على نماذج اللغات الضخمة (Large Language Models)، والذي يعد بتقديم نتائج مدهشة من خلال تحرير الشيفرات البرمجية بناءً على ملاحظات سريعة لأداء المهام.

الإشكالية كانت أن أنظمة AutoResearch لم تكن تأخذ بعين الاعتبار هذه التوترات المفروضة. بينما يمكن للملاحظات العددية توسيع مجالات البحث في البداية، فإنها تفشل في إظهار تأثير التعديلات على السلوكيات المتنافسة. ولكن مع التجارب المتوازنة، تم إدخال ملاحظات حول السلوكيات المتنافسة عندما تبدأ المكاسب في التقلص، مما زاد من نسبة المقترحات التي تحسن كلاً من السلوكيات وتساعد على استمرار التقدم.

مفتاح هذه التقنية الجديدة هو ConflictGuide، الذي يُعد أداة قابلة لإعادة الاستخدام تجمع بين تصنيف مدعوم بالأدلة من الأدبيات وسلوكيات محددة تم اختبارها لنماذج معينة. من هنا، تسير العملية في مرحلتين: المرحلة الأولى تدعم الاستكشاف بملاحظات الأداء، بينما تستخدم المرحلة الثانية ملاحظات القياسات لتوجيه المقترحات نحو تقليل الصراع.

تظهر النتائج أن ConflictGuide قد خفضت الأخطاء المتعلقة بالمهمة والصراعات بنسبة تصل إلى 28% و14% على التوالي، مقارنةً بأنظمة AutoResearch التي تعتمد فقط على الملاحظات العددية. وبذلك يتمكن الباحثون والمطورون من تحقيق تقدم أكبر وأكثر فعالية مع هذه التقنية الجديدة.