في عالم الذكاء الاصطناعي، تكشف نماذج اللغة الضخمة (Large Language Models) عن قدرات استدلال قوية، لكن ماذا عن النماذج الصغيرة التي تتكون من 3 مليار معامل أو أقل؟ للأسف، غالبًا ما تعاني هذه النماذج من ضعف الأداء في المهام التي تتطلب تفكيرًا متعدد الخطوات. في دراسة جديدة منشورة على arXiv، تم تحليل نماذج عائلة Qwen-2.5 على مقياس تقييم التفكير الرياضي، وكانت النتيجة مثيرة للاهتمام.

اكتشف الباحثون أن الاستدلال الأكثر فعالية يرتبط بعدد أقل من خطوات التفكير، لكنه يتطلب كثافة معلومات أعلى في كل خطوة. هذه الظاهرة أطلق عليها العلماء اسم التفكير الكثيف (Dense Reasoning). مستلهمين من هذه الملاحظة، قام الفريق بتطوير نظام جديد يُعرف باسم DenseSteer، وهو إطار عمل يعمل في وقت الاستدلال دون الحاجة إلى تدريب إضافي، مما يعزز تفكير النموذج الصغير عبر تعديل التمثيلات الداخلية نحو أنماط التفكير الكثيف.

أثبتت التجارب أن هذه الطريقة تؤدي إلى تحسينات ملحوظة في الدقة دون زيادة في معدل السلبية اللوجاريتمية على مستوى الرموز، مما يبرز التفكير الكثيف كنهج هيكلي فعال لحل المشكلات الرياضية. هل سيكون هذا التطور نقطة تحول في كيفية تعاملنا مع نماذج الذكاء الاصطناعي الأصغر؟