في عالم الذكاء الاصطناعي، تعتبر نماذج reasoning الكبيرة (Large Reasoning Models) من الأدوات الرائدة في حل المشكلات المعقدة. تعتمد هذه النماذج على توليد مسار تفكير واضح قبل الوصول إلى الإجابة النهائية. لكن، كما هو الحال مع أي تقنية متطورة، تواجه هذه النماذج تحديات تتعلق بالذاكرة واستخدام الطاقة.

في دراستهم الأخيرة، عرض الباحثون تحليلًا يستند إلى خرائط الانتباه لفهم التأثيرات المختلفة للتوكنات (tokens) في مسار التفكير. وقد وجدوا ظاهرة مثيرة: بينما تسهم بعض التوكنات في توجيه النموذج نحو الإجابة الصحيحة، يكون تأثير البقية ضئيلًا جدًا.

استنادًا إلى هذه الملاحظة، تم طرح طريقة جديدة تُسمى اختيار توكنات التفكير الديناميكي (Dynamic Thinking-Token Selection)، والذي يتيح للموديلات تحديد التوكنات الحرجة المتعلقة بالقرارات، بحيث يتم الاحتفاظ فقط بالحالات المرتبطة بالتوكنات الأساسية (Key-Value cache states) أثناء عملية الاستدلال. هذا يعني أنه يمكن الاستغناء عن الإدخالات المتكررة، مما يسهم في تحسين الكفاءة وزيادة سرعة الأداء.

من خلال هذه الابتكارات، تسعى نماذج reasoning إلى تعزيز قدرتها على المعالجة وتقليل الأعباء التي تتحملها، مما يعد خطوة كبيرة نحو تحسين أداء الذكاء الاصطناعي في العديد من التطبيقات.