في خطوة مبتكرة نحو تعزيز قدرات الذكاء الاصطناعي، أصدرت ورقة بحثية جديدة تحت عنوان "CoT-X"، حيث يقدم الباحثون إطارًا متكيفًا لنقل الأساليب العقلية بين نماذج اللغات الكبيرة (Large Language Models) وتحسين أدائها.

تعتبر عملية التفكير المتسلسل (Chain-of-Thought) إحدى العناصر الأساسية في رفع قدرات النماذج على حل المشكلات، لكن هذه العملية غالبًا ما تؤدي إلى زيادة كبيرة في وقت الاستدلال، مما يعيق استخدامها في البيئات ذات الموارد المحدودة. ولذلك، يأتي هذا الإطار الجديد ليقدم حلاً فعالاً من خلال نقل التفكير المتسلسل بين نماذج ذات أحجام وهياكل مختلفة.

تشمل الطريقة المقترحة ملخصات تفكير مبتكرة باستخدام تقنيات تقسيم دلالي (Semantic Segmentation)، وتصنيف نقاط الأهمية، وضغط ديناميكي مدروس للميزانية، مما يحافظ على الخطوات الأساسية في التفكير مع تقليل استهلاك الرموز بشكل كبير.

أظهرت التجارب التي أجريت على 7501 سؤال طبي عبر 10 تخصصات تحقيق دقة تصل إلى 40% أعلى مقارنةً بالتقنيات التقليدية تحت نفس ميزانية الرموز. وتأكيدًا على كفاءة وفاعلية هذا النظام، تم إجراء تقييمات على 64 مجموعة نماذج من ثمانية نماذج مختلفة بإجمالي عدد معلمات يتراوح بين 1.5 مليار إلى 32 مليار، بما في ذلك نماذج مثل DeepSeek-R1 و Qwen3، مما يبرهن على القدرة العالية على نقل المعرفة بين النماذج.

إضافةً إلى ذلك، يتضمن الإطار وحدة تحسين تعتمد على عمليات بايزي (Bayesian Optimization) التي تقلل من تكاليف التقييم بنسبة 84%، وتكشف عن علاقة قوى طبيعية بين حجم النموذج والمرونة عبر المجالات المختلفة.

مثل هذه التطورات تعد خطوة نحو تسهيل نقل التفكير المتسلسل الفعال، مما يمكّن المستخدمين من إجراء تحسينات متقدمة تحت قيود حسابية صارمة. ومن المتوقع أن يتم إصدار الشيفرة المصدرية عند نشر الدراسة.

ما رأيكم في هذا التطور؟ شاركونا في التعليقات!