في ظل التحديات الكبيرة التي تواجه نماذج اللغات الضخمة (Large Language Models) مثل التكاليف المرتفعة والعائدات المتناقصة، تبرز الحاجة إلى تحسين أداء هذه النماذج بشكل فعّال. ومن هنا، تأتي أنظمة الوكلاء المتعددة (Multi-Agent Systems) كحل واعد يقوم بتوزيع المهام على وكلاء متخصصين لتحسين الأداء العام.

ومؤخراً، تم تقديم إطار عمل جديد يُعرف بـ MALLM (Multi-Agent LLM) الذي يستعرض طرق تحسين أداء نماذج اللغات الضخمة من خلال تطبيق بروتوكولات اتخاذ القرار المختلفة. مثل بروتوكولات التصويت (voting) والتوافق (consensus) وآلية قرار القاضي (judge decision mechanisms)، وذلك لتقليد النقاشات بين الوكلاء والحل التفاعلي للمشكلات.

على عكس الدراسات السابقة التي استخدمت بروتوكول قرار واحد أو اختبرت بروتوكولات محدودة، هذا البحث قام بفحص شامل لعدة بروتوكولات على مجموعة متنوعة من المهام شملت مجموعات بيانات قائمة على المعرفة مثل (MMLU, MMLU-Pro, GPQA) ومجموعات بيانات منطقية مثل (StrategyQA, MuSR, Math-lvl-5, SQuAD 2.0).

تظهر النتائج أن بروتوكولات التوافق تتفوق في المجالات المعتمدة على المعرفة، بينما تُظهر بروتوكولات التصويت وآلية القاضي كفاءة أعلى في المهام المنطقية. كما يدعم هذا البحث فكرة زيادة تنوع الاستجابة عبر توليد حلول مستقلة، مما يعزز جودة القرار. بينما كان للتغييرات في الوصول إلى المعلومات أثناء عملية اتخاذ القرار تأثير ضئيل.

في ظل هذه النتائج، يتضح أن التقدم في أداء نماذج اللغات الضخمة يعتمد بشكل كبير على كيفية تفاعل الوكلاء في اتخاذ القرار. فهل تعتقد أن هذه الابتكارات ستؤثر بالفعل على مستقبل الذكاء الاصطناعي؟ شاركونا آراءكم في التعليقات!