في عالم الذكاء الاصطناعي، تتزايد أهمية البحث العميق وتحليل المعلومات، ومع ذلك تواجه نماذج اللغة الكبيرة (LLMs) تحديات عديدة في التخطيط والتنفيذ الفعال. نقدم في هذا المقال مفهومًا مبتكرًا يُعرف باسم DecomposeR، وهو إطار عمل يركز على التخطيط ويهدف إلى تحسين أداء نماذج اللغة في مهام البحث العميق.

تتطلب المهام البحثية العميقة من نماذج اللغة أن تخطط بشكل مسبق لما يجب التحقيق فيه، واسترجاع الأدلة المطلوبة، وصياغة إجابات موسعة عبر فروع متعددة من الاستفسارات. للأسف، تقوم النماذج الحالية عادةً بالاعتماد على أساليب التدريب التي إما تتحكم في إجابات قصيرة وقابلة للتحقق أو تعمل على تحسين مسارات طويلة معقدة، مما يجعل من الصعب تفكيك العملية بين التخطيط والتنفيذ ويؤدي إلى ضعف تقييم المنطق في عملية التخطيط.

تدخل DecomposeR هنا لتقديم حل فعّال. يعتمد هذا النظام على تمثيل خطط البحث كرسوم بيانية توجيهية غير دائرية (DAGs). يمكّن هذا التخطيط الواضح والهيكلي المساهمين في البحث من تقديم مكافآت محددة لتوجيه الباحثين أثناء عملية التنفيذ.

تم تدريب نموذج Qwen3-8B في مرحلتين: في البداية، يتعلم التخطيط المعزز (Reinforcement Learning) بنية الرسوم البيانية وتجميع الاستفسارات لتعزيز التخطيط البحثي، وبعد ذلك يتم تدريب نموذج الاستجابة على تنفيذ الفروع والتوليف النهائي بناءً على الخطة المستفادة. من خلال تخصيص المكافآت لرموز التخطيط الواضحة والمكونات الهيكلية بدلاً من مسار مستوي، يتيح DecomposeR تحسينًا أكثر دقة للتخطيط بينما يقلل من غموض التدريب الشامل.

أثبتت التجارب أن DecomposeR-8B يقدم تحسينًا ملحوظًا مقارنةً بالمعايير المفتوحة القوية، حيث تحقق نموذج DecomposeR تحسينات بين 5.1 و8.0 نقاط في مقاييس طويلة الأجل شائعة، وذلك بفضل تعزيز قدرات التخطيط والاستجابة.

خلاصة القول، تقدم DecomposeR نموذجًا ثوريًا سيعيد تشكيل طريقة تعاملنا مع البحث باستخدام الذكاء الاصطناعي. كيف ترى تأثير هذه الابتكارات على مستقبل البحث العميق؟