في عالم الذكاء الاصطناعي، تمثل نماذج اللغات الكبيرة (Large Language Models) قفزة نوعية في قدرة الحواسيب على معالجة النصوص وفهم اللغة. ومع ذلك، تبقى التحديات قائمة، خاصة في المهام المعقدة التي تتطلب تفكيراً عميقاً. هنا يأتي دورابتكار جديد يُعرَف باسم "ديب لوك" (DeepLook).

أعلن الباحثون مؤخراً عن هذا الإطار الثوري الذي يركز على تحسين عمليات التفكير خلال مراحل الاستدلال. يهدف "ديب لوك" إلى تجاوز قيود الطرق الحالية التي تفتقر للكفاءة في تخصيص موارد الحوسبة. تعتمد هذه التقنية الجديدة على ملاحظة مهمة: غالبًا ما تظهر حالات الفشل في التفكير مع شدة عدم اليقين قبل الوصول إلى إجابة خاطئة.

يعتمد "ديب لوك" على بنية جديدة لمراقبة التدفقات القرائية وتدخلها بشكل فعال. يقوم الإطار بجمع مستويات الثقة على مستوى الرموز ليحولها إلى إشارات على مستوى القطاعات، ويُفعِّل التدخل عندما تنخفض الثقة بالمقارنة مع التاريخ القريب. ويتم استكشاف الاحتمالات التالية باستخدام طريقة التوقع المستقبلية بمدى ثابت، حيث يتم تصنيف الخيارات وفقاً لمتوسط الثقة المقدرة (Average Lookahead Confidence - ALC).

على مدى اختبارات رياضية تنافسية مع نماذج مثل DeepSeek-R1-8B وQwen3-32B وGPT-OSS-20B وGPT-OSS-120B، أظهرت نتائج "ديب لوك" تحسناً ملحوظاً في الدقة على الرغم من تقليل تكلفة الرموز الناتجة بمعدل 87.3%. وكانت النتيجة تحسيناً بمقدار 3.1 في AIME25 مع Qwen3-32B و8.8 في BRUMO25 مع GPT-OSS-20B.

هذه النتائج تبرز فعالية التدخل المستقبلي الانتقائي الذي يوفر توازنًا أقوى بين الدقة والتكلفة مقارنة بالطرق التقليدية التي تعتمد على توسيع مسارات التفكير بشكل متساوٍ. للمزيد من المعلومات والشيفرات، يُمكنك زيارة الرابط الخاص بالبحث.