تعزيز قدرات التفكير في نماذج اللغة الصغيرة بواسطة الربط مع قواعد المعرفة

في وقت تسود فيه نماذج اللغة الكبيرة (Large Language Models) في مجال الذكاء الاصطناعي، تواجه التكاليف والآثار البيئية تحديات كبيرة. وهنا تتألق نماذج اللغة الصغيرة (Small Language Models) كبديل مستدام، رغم ما تعانيه من أخطاء خلال المهام التي تتطلب ربطاً منطقياً معقداً.

تحتوي الأبحاث الأخيرة على إطار عمل جديد يرتكز على تقنية الناقلات العصبية الرمزية (Neuro-Symbolic Agentic Framework) لتحسين قدرات التفكير لدى نماذج اللغة الصغيرة. تمت دراسة نموذجين، Gemma 3 (1B, 4B) و Llama 3.2 (3B)، باستخدام معيار CLUTRR للقرابة. يعتمد هذا النهج على تحويل نموذج اللغة الصغيرة إلى وكيل بسيط يمكنه الاستفادة من استدعاء أدوات متخصصة مثل extract_facts لاستخراج الحقائق الرمزية، و get_hint للاستدلال الخبير عبر شبكة التلافيف الرسومية العددية (Relational Graph Convolutional Network).

تم تقييم النماذج عبر تكوينين: السيناريو الفعلي الذي يعتمد على الحقائق المستخرجة ذاتياً، والسيناريو الوهمي الذي يعتمد على مجموعة حقائق موثوقة. أظهرت النتائج أن الاعتماد على أدلة مستمدة من RGCN قدم تحسناً في الأداء بنسبة تصل إلى 1.5 – 2 ضعف بالمقارنة مع القواعد التقليدية. ومع ذلك، تعاني الأنظمة من قيود تتعلق بعوائق الاستخراج وهشاشة الاستنتاج المتسلسل، حيث تُضاف أخطاء الاستخراج المبكرة في سلاسل متعددة الخطوات.

كما حُدِد تأثير "التشويش" في هياكل معينة حيث تؤدي الحقائق الذاتية المولدة بشكل ضوضائي إلى تدهور الأداء، على الرغم من توفر الأدلة الخبيرة. يعتبر هذا العمل علامة بارزة في تحديد التحديات التي تواجه الربط الرمزي في أنظمة الوكلاء قليلة الموارد ويقدم خارطة طريق للتحقق المتكرر داخل خطوط أنابيب الناقلات العصبية الرمزية.

ما رأيكم في هذا التطور؟ شاركونا في التعليقات!