تُعتبر نماذج Reasoning الكبيرة (LRMs) من أبرز الابتكارات في مجال الذكاء الاصطناعي، حيث أثبتت قدرتها الكبيرة في تنفيذ العديد من المهام. لكن، تبقى أمام هذه النماذج تحديات كبيرة عندما يتعلق الأمر بالتفاعل مع الطلبات المتعددة في نفس الوقت، وذلك إما من خلال عدم تلبيتها للقيود الفردية أو مواجهة صعوبات في التوازن بين القيود المتنافسة.

للتصدي لهذه المشكلة، تم تقديم مفهوم يُعرف بمشكلة توافق القيود (Constraint Adherence Problem - CAP). حيث طوّر الباحثون إطار عمل مبتكر يُدعى إكمال رسومات علاقات القيود (Constraint Relationship Graph Completion - CRGC) والذي يسعى لتنظيم التعليمات كرسوم بيانية هيكلية توضح العلاقات بين القيود.

يدعم هذا النظام النماذج في تحديد التحديات المرتبطة بالتوافق، ويساعد في اكتشاف "قيود جسرية" تعمل كتعليمات مساعدة؛ مما يعزز من وضوح القيود الأساسية ويجعلها أكثر توافقًا. على عكس الطرق الحالية التي تعتمد على تحسين التعليمات من خلال أساليب تدريب عامة، يركز CRGC على تحسين تلبية القيود من خلال الاستفادة من المعرفة الذاتية للنموذج، مما يُتيح له إنشاء مسارات أفضل للتوليد.

أظهرت التجارب التي أُجريت على ثلاثة مجموعات بيانات شهيرة، أن هذه الطريقة قللت من انتهاكات القيود بنسبة 39% مقارنة بأساليب التحفيز التقليدية، مع الحفاظ على قدرات التفكير في نماذج reasoning الكبيرة. هذا الابتكار يُشكّل خطوة هامة نحو تحسين قدرة الذكاء الاصطناعي على التعامل مع التحديات المتزايدة.