في عالم الذكاء الاصطناعي، يعد البحث التطوري (Evolutionary Search) أحد الأدوات الأكثر إثارة واستخداماً، خاصة عند دمجه مع نماذج اللغات الضخمة (Large Language Models). وقد أظهر البحث الأخير تقدمًا لافتًا باستخدام هذه النماذج في تحقيق نتائج قياسية في المهام الرياضية والتركيبية.

ومع ذلك، تتطلب هذه الأنظمة تخصيص الموارد بشكل دقيق للمحافظة على الكفاءة والفعالية. طرح الباحثون تساؤلات مهمة حول كيفية تخصيص ميزانية ثابتة من استدعاءات (LLM calls) بشكل يعظم النتائج، وكيف يمكن الاعتماد على نتائج الجلسات الواحدة.

من خلال دراسة شاملة على خمسة نماذج وثلاثة مهام، تم تحديد انتظارات اثنتين رئيسيتين: وجود نطاق أداء محدد يتعلق بالقدرة، والنموذج الوظيفي الذي يتفاعل مع المهام بطريقة محددة. بناءً على هذه الرؤى، تم اقتراح نظام يُدعى BaSE (Bandit-based Self-Evolving)، وهو نظام يعتمد على تقنية bandit في تخصيص استدعاءات (LLM) عبر مسارات متعددة.

ما يجعل BaSE مثيرًا للاهتمام هو أنه دون تعديل النموذج أو المطالبات أو المحكمين، استطاع تحسين الأداء بمعدل 12.3% مقارنةً مع النماذج القوية الحالية، مُظهرًا أكبر التحسينات في الأنماط ذات التباين العالي. هذه النتائج تدل على فائدة كبيرة من مجرد تخصيص الموارد.

ساهم هذا البحث في فتح آفاق جديدة لتحسين أداء الذكاء الاصطناعي، مما يجعلنا نتساءل: هل نحن في بداية عصر جديد من التقنيات الذكية القادرة على التكيف والتطور؟