في عالم الذكاء الاصطناعي، تمثل نماذج اللغة دعامة أساسية لتحسين أداء الآلات في مهام التفكير المعقد. ومع ذلك، لا يزال الكثيرون يتساءلون عن كيفية تعزيز هذه النماذج لأدائها في الظروف المتنوعة. تُظهر الأبحاث الحديثة أن سلاسل التفكير (Chain-of-thought) الفعالة يمكن أن تؤدي دوراً محورياً في ذلك.

تحددت الأبعاد الداخلية (Intrinsic Dimensionality) كمعيار كمي لقياس فعالية هذه السلاسل. برمز الخدمة، تعكس الأبعاد الداخلية الحد الأدنى من الأبعاد المطلوبة في نموذج معين للوصول إلى مستوى دقة محدد في مهمة معينة. من خلال الحفاظ على تثبيت هيكل النموذج وتغيير صياغة المهمة باستخدام استراتيجيات تفكير متنوعة، تظهر الأبحاث أن الاستراتيجيات الأكثر فعالية تساعد في تقليل الأبعاد الداخلية للمهام بشكل مستمر.

قام الباحثون بتطبيق هذه النظرية على مجموعة بيانات GSM8K باستخدام نموذجين معمارين، Gemma-3 بحجم 1B و4B، ووجدوا وجود ارتباط عكسي كبير بين الأبعاد الداخلية لاستراتيجية التفكير وأدائها في التعميم على البيانات. تشير هذه النتائج إلى أن سلاسل التفكير الفعالة قد تسهل عملية التعلم من خلال ضغط المهمة بشكل أفضل باستخدام عدد أقل من المعلمات.

تقدم الأبعاد الداخلية مقياسًا جديدًا ومثيرًا لتحليل العمليات الفكرية في نماذج الذكاء الاصطناعي، مما يساعدنا على فهم الكيفية التي يتم بها تحسين الأداء بشكل أفضل.