تتجه أنظمة التوصية المعتمدة على نماذج اللغات الضخمة (Large Language Models) بشكل متزايد نحو اعتماد نماذج التفكير البطيء، التي تقوم بتوليد منطق استنتاجي خطوة بخطوة قبل إصدار التوصيات. على الرغم من أن هذا النهج غالبًا ما يحقق دقة أعلى مقارنةً بالنماذج السريعة، إلا أن آثار التفكير في هذه النماذج تميل إلى أن تكون مر verbose، مما يزيد من تكاليف الاستدلال دون تحقيق مكاسب دقة ملموسة. تُظهر الدراسات الحديثة أن الطرق السابقة التي تعتمد على التدريب لضغط التفكير غالبًا ما تتطلب تكاليف تأقلم كبيرة، بينما تمثلطرق الاستدلال الفوري تحديات في الأداء وصعوبة في التوسع.

تُشجع هذه القيود على استكشاف الدمج كوجهة واعدة لنقل السلوكيات المتخصصة بين النماذج في مساحة المعلمات المشتركة. بشكل خاص، يمثّل دمج نموذج التفكير البطيء مع نظيره السريع آلية طبيعية لتحقيق توازن بين دقة التوصية وايجاز التفكير. لهذا الغرض، نطرح الإطار الأول لدمج النماذج لتقليل التفكير في أنظمة التوصية.

على عكس الطرق التقليدية للدمج التي تطبق معاملات دمج موحدة عبر مكونات النماذج، تعتمد طريقتنا على دمج دقيق على مستوى رؤوس الانتباه الفردية، مما يتيح لنا التقاط الأنماط المختلفة في التفكير في التوصيات. يتم تخصيص معامل دمج مميز لكل رأس انتباه وفقًا لمساهمته في تقديم الأدلة الحيوية وأيضًا حساسيته لتغير المعلمات. يتسم هذا الأداء بقدرته على نقل سلوكيات مختزلة من النموذج السريع إلى النموذج البطيء، مما يقلل من verbosity التفكير دون التأثير على جودة التوصية.

تشير التجارب التي أجريت على ثلاثة مجموعات بيانات معروفة إلى أن طريقتنا تقلل من طول التفكير بنسبة تصل إلى 24.3%، بينما تُظهر أداءً متفوقًا مقارنةً بالأسس التنافسية لدمج النماذج في المحافظة على دقة التوصيات. الكود متاح على الرابط GitHub. ما رأيكم في هذا النهج الجديد لتحسين أداء أنظمة التوصية؟ شاركونا آراءكم في التعليقات.