في عالم الذكاء الاصطناعي، يعتبر تدريب نماذج اللغة الكبيرة (LLMs) على التفكير المنطقي خطوة مكلفة تتطلب بيئة قابلة للتحكم، مما يجعل العملية معقدة للغاية. ولكن، ماذا لو كان بإمكاننا تجاوز هذه التكلفة؟ هنا يأتي دور تقنية EvoResearcher، التي تقدم بروتوكولًا مبتكرًا لا يحتاج إلى التدريب، حيث يضيف خاصية التقييم الذاتي المحدود التكاليف على نموذج لغة كبير ثابت.

يتبع هذا البروتوكول عدة خطوات: الت生成 → النقد الذاتي → التعديل، حتى يتم الوصول إلى عمق محدد أو حينما يعود النقد بإشارة "تم التأكيد"، مما يسمح للنموذج بالتحقق من صحة إجابته دون تجاوز ميزانية الحوسبة المخصصة.

تعتمد هذه الطريقة على أربعة مكونات أساسية لنظام المكافأة الذاتي: الدقة، الكفاءة، عمق التفكير، وتنوع استدعاء الأدوات، والتي تتجمع فوائدها دون الحاجة إلى تحديثات التدرج، مما يحقق نتائج مذهلة.

تم اختبار البرتوكول على مجموعة Big-Bench Hard التي تتضمن 100 سؤال، وأثبت فعاليته عبر مجالات متعددة بما في ذلك GSM8K (500 سؤال) وMATH (500)، دون الحاجة إلى تدريب إضافي على نفس النموذج.

تعد التجارب التي أجريت باستخدام معايير تعتمد على التفكير النقي مثيرة بمعنى الكلمة، حيث تم التحقق من صحة مكون تنوع استدعاء الأدوات على مستوى الاستدعاء، بينما تُركت التوسعات على مستوى البيئة والوكيل المتعدد كتصميمات للمستقبل.

وعلى الرغم من أن البرتوكول لم يقدم دقة تزيد عن 95% على مجموعة BBH النظيفة، إلا أن قيمته تتمثل في التحقق الذاتي المحدود التكاليف، حيث تنتهي العملية عند "تم التأكيد" بعد 82-88% من العناصر بنفس مستوى الدقة، مع استهلاك حوالي 2.1 جيل لكل سؤال.

هل أنتم متحمسون لهذا التطور في تقنيات الذكاء الاصطناعي؟ كيف تعتقدون أن هذا البروتوكول يمكن أن يُحدث فرقاً في عالم نماذج اللغة؟ شاركونا آرائكم في التعليقات.