في عالم الذكاء الاصطناعي، تصبح نماذج اللغات الضخمة (Large Language Models) أكثر شيوعاً، لكن هناك العديد من الأساليب لاستثمار إمكانياتها على أكمل وجه. في دراسة حديثة، تم تسليط الضوء على أهمية تحقيق التنوع الصريح (Explicit Trajectory Diversity) في هذا السياق، وذلك لتحسين أداء النماذج بعد التدريب.

تعزز الدراسة من فكرة أن الأنظمة الذكية غالباً ما تكون قادرة على توفير حلول متعددة عالية الجودة لنفس المهمة، حيث تتباين تلك الحلول في بنيتها المنطقية وأنماط استخدام الأدوات. بالرغم من ذلك، غالباً ما يأتي هذا التنوع بشكل غير واضح، مما يقلل من فعاليته في تحسين أداء النماذج.

في المقترح، تم استخدام نموذج "توجيه التنوع الصريح" حيث يتم تعريف التنوع من خلال وصفات مسارات محددة من قبل المستخدم. تتيح هذه الوصفات ربط كل مسار تم اختياره بتمثيل سلوكي يمكن فهمه، ومن ثم قياس التنوع كمجموعة من الوظائف على مصفوفة الوصف الناتجة.

كما تم تقديم إطار عمل مبتكر مُسمى "تحسين السياسات المشتركة المدفوعة بالمسارات" (Trajectory-guided Joint Policy Optimization - TJPO)، والذي يركز على تحسين التنوع الصريح باستخدام مجموعات من المسارات العشوائية، وهذا بحذف الحاجة إلى التدريب على السياسات القائمة على السكان. من خلال هذه الطريقة، أصبحت أهداف التنوع أكثر وضوحًا وقابلة للتحكم.

وأظهرت التجارب التي تم إجراؤها على ألعاب مثل Sokoban وALFWorld أن TJPO عزز تنوع المسارات المحددة للمهمة، مع تحسين الأداء المتنافس. تشير نتائج إضافية إلى أن تشكيل التنوع بشكل صريح يمكن أن يساعد أنظمة الذكاء الاصطناعي في تلبية متطلبات المستخدم والبقاء فعالة رغم تغير الظروف.