في عالم الذكاء الاصطناعي، حيث أصبحت نماذج اللغات الضخمة (LLMs) جزءًا لا يتجزأ من الابتكارات التكنولوجية، تم إطلاق إطار جديد يدعى "إيفو أندو" (EvoUndo) يعالج قضايا تطور هذه النماذج بشكل آمن وموثوق. يقوم "إيفو أندو" بتقديم نهج مبتكر يمكّن النماذج من تعديل استراتيجياتها في الوقت الفعلي مع ضمان إمكانية استرداد الوضع الأصلي.

عبر دراسة أجريت على 600 مهمة جديدة للتطور الذاتي، تم تحديد 197 تعديلًا يعزز القدرات لكن يفتقر إلى إمكانية التحقق من الاسترداد. ويظهر هذا البحث أنه من خلال تمثيل الاسترداد الأصلي، فإن استراتيجيات الإصلاح التقليدية تفشل في استرداد أي من هذه التعديلات غير الطبيعية.

من خلال تحليل أكثر تعقيدًا، تمكن الباحثون من استرداد 48 من 197 عبر لغة الاسترداد الأصلية. ومع ذلك، من خلال تعزيز حسابات الاسترداد، اتضح أنه يمكن استرداد ما يصل إلى 191 من 197 من تلك الفشل.

تشير النتائج إلى أن التعزيز المستقبلي لعلوم الآلة يتطلب تصميمًا مشتركًا لاستراتيجيات التحقق، وتحديد الحالة، ودلالات الشهود، ومرونة لغة الاسترداد بدلاً من الاعتماد على التحفيز التكراري وحده. وهو ما يبرز مدى أهمية التفكير في كافة جوانب النموذج لضمان استدامة أعمال التطور الذاتي هذه في المستقبل.

على سبيل المثال، عند تنفيذ "أيو أندو" على العمود الفقري "gpt-oss-120b"، فإن إضافة تشخيصات دقيقة يعزز القدرة على الاسترداد بنسبة تصل إلى 93%، مما يوضح أن النموذج المستخدم يؤثر بشكل كبير على النتائج.